验证码去干扰线

说明：  Deep reinforcement learning algorithm

说明：  在有限元相关软件中，施加平面的周期性边界条件，二次开发(Applying Periodic Boundary Conditions to Planes)

说明：  用禁忌搜索算法求解一个简单的调度任务，编程语言为python(Tabu search algorithm is used to solve a simple scheduling task. The programming language is python)

1. 实验目的 1） 掌握搜索算法的基本设计思想与方法，  2） 掌握A*算法的设计思想与方法，  3） 熟练使用高级编程语言实现搜索算法，  4） 利用实验测试给出的搜索算法的正确性。   1. 实验问题  寻路问题。以图1为例，输入一个方格表示的地图，要求用A*算法找到并输出从起点（在方格中标示字母S）到终点（在方格中标示字母T）的代价最小的路径。有如下条件及要求：   1） 每一步都落在方格中，而不是横竖线的交叉点。 2） 灰色格子表示障碍，无法通行。 3） 在每个格子处，若无障碍，下一步可以达到八个相邻的格子，并且只可以到达无障碍的相邻格子。其中，向上、下、左、右四个方向移动的代价为1，向四个斜角方向移动的代价为 √2。 4） 在一些特殊格子上行走要花费额外的地形代价。比如，黄色格子代表沙 漠，经过它的代价为4；蓝色格子代表溪流，经过它的代价为2；白色格子为普通地形，经过它的代价为0。 5） 经过一条路径总的代价为移动代价 地形代价。其中移动代价是路径上所做的所有移动的代价的总和；地形代价为路径上除起点外所有格子的地形代价的总和。

用python编写的遗传算法基本流程，包括变异、交叉、选择等步骤(Basic process of genetic algorithm written in python, including mutation, crossover, selection and other steps)

支持向量机的smo算法实现，包含普通smo和优化后的smo算法(svm impletement with smo, including simple smo and optimitive smo)

说明：  利用geatpy库是实现多目标优化， 基于改进NSGA-Ⅱ算法求解多目标优化问题的进化算法模板，传统NSGA-Ⅱ算法的帕累托最优解来只源于当代种群个体，这样难以高效地获取更多的帕累托最优解，同时难以把种群大小控制在合适的范围内，改进的NSGA2整体上沿用传统的NSGA-Ⅱ算法，不同的是，该算法通过维护一个全局帕累托最优集来实现帕累托前沿的搜索，故并不需要保证种群所有个体都是非支配的。(Using geatpy library to realize multi-objective optimization)

说明：  实现人脸检测，基于opencv实现人脸检测(Realize face detection, and realize face detection based on OpenCV)

在机器学习中，随机森林是一个包含多个决策树的分类器， 并且其输出的类别是由个别树输出的类别的众数而定。r语言代码程序包如下

说明：  python 经典CNN模型。包括VGG resnet等(python classic cnn deep learning)