超分辨率图像分块

用差分方法求解沃尔泰拉方程，此处为一个变元的方程，由于该方程同时含有微分和积分，一般求解有一定的困难。-use of the finite difference method for Volterra equation here as a variable element of the equation, As the same time contain differential equations and integral, the general solution is definitely difficult.

Huffman编码1． 给出信源符号的一阶概率分布，并计算信源符号熵和单字符Huffman码表。2． 计算每信源的平均字长，并与信源符号熵比较。3． 比较压缩效果。-Huffman coding 1. Source symbols are given first-order probability distribution, and calculate the entropy source and single-character symbols Huffman code table. 2. Calculated the average per source word length, and entropy source comparison symbols. 3. Comparison of the effect of compression.

开发的多目标优化算法采用进化优化方法和证明自己的优势在各种涉及实际问题主要是两个和三个目标，现在有一个不断增长的需求发展进化多目标优化（EMO）用于处理许多目标的算法（具有4或更多个目标）优化问题。在本文中，我们认识到一个最近几年的努力，并讨论了许多的可行方向发展潜力EMO算法求解多目标优化问题。此后，我们建议的参考点基于许多目标NSGA-II（我们称之为NSGA-III），强调人口会员，非主导且靠近一组提供的参考点。建议NSGA-III是施加到若干许多目标测试问题具有两个到15的目标，并与两个版本的一个最近比较建议EMO算法（MOEA/ D）。而每两个MOEA/ D的方法效果很好对不同类别的问题，所提出的NSGA-III被发现，以产生令人满意的结果在这项研究中考虑了所有的问题。本文介绍结果在无约束的问题，续集本文认为限制，在处理其他专科许多目标优化问题。

实现Hough Transform检测直线和圆的代码，通过自适应画线和圆，能够找到当前的圆和直线位置

各种排序算法 附带源码 不过是以记事本的格式的 要自己建- Each kind of sort algorithm supplementary source code only is wants own by the memorandum form to construct

按照既定的步长，输入后筛选已有数据 程序3-accordance with the established step, the imported data screening procedures have been 3

使用Java语言实现K-means算法和改进的K-means算法，其中CKmeans是基于成对约束COP-k均值算法。该算法结合了不容错过的链接，可以在这两种类型的约束“监管”的数据对象不-Link的限制进行划分。文件中letterfont.dta为数据集。

有五个房子，每个房子的颜色不同，里面分别住着不同国家的人，每个人都有自己养的不同的宠物，喜欢和不同的饮料，抽不同牌子的烟。现在已知以下的一些信息：-five houses, each house different colors, which were home to people from different countries, Every individual has his own support of the different pets, likes and different beverages, pumping different brands of cigarettes. Now known some of the following information :

IF I AM YOU THEN I WILL OPEN FREE TO ALL END IF IF YOU ARE ME THEN YOU NEED TO OPEN FREE TO ALL END IF

  所谓K短路，就是从s到t的第K短的路，第1短就是最短路。     如何求第K短呢？有一种简单的方法是广度优先搜索，记录t出队列的次数，当t第k次出队列时，就是第k短路了。但点数过大时，入队列的节点过多，时间和空间复杂度都较高。     A*是在搜索中常用的优化，一种启发式搜索。简单的说，它可以用公式表示为f(n) = g(n) + f(n)，其中，f(n)是从s经由节点n到t的估价函数，g(n)是在状态空间中从s到n的实际代价，h(n)是从n到t的最佳路径估计代价。在设计中，要保证h(n)