墨衍会员
·
AI 创作全网分发
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
1分发平台
5.1k累计阅读
5.2k平均单平台
已同步平台
优快云
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年，写一次发全网
我也要
发现有的文章缺公式数学模型，有的文章缺代码，有的文章缺推导过程,内容很杂乱。在这里我将多篇文章精华内容进行总结汇总，其中加入了我个人的见解，在文章最后我会给出参考链接。
作者：尹豆（憨豆酒），联系我yindou97@163.com，熟悉图形学，图像处理领域，本章代码： https://github.com/douysu/computer-graphics-notes
首先推荐大家先阅读以下大连理工大学谷俊峰老师的蚁群算法PPT，下载链接为：https://github.com/ModestBean/algorithm/tree/master/ACO_aunt_optimal_path/reference_material
蚁群算法是受到对真实蚂蚁群觅食行为研究的启发而提出。生物学研究表明：一群相互协作的蚂蚁能够找到食物和巢穴之间的最短路径,而单只蚂蚁则不能。生物学家经过大量细致观察研究发现,蚂蚁个体之间的行为
路径规划之启发式算法之四：蚁群算法（Ant Colony Optimization，ACO）
蚁群算法（Ant Colony Optimization，ACO）是一种模拟蚂蚁觅食行为的启发式搜索算法，由Marco Dorigo于1992年在他的博士论文中提出。该算法适用于解决组合优化问题，如旅行商问题（TSP）、车辆路径问题（VRP）等。蚁群算法的原理主要基于蚂蚁在寻找食物过程中释放信息素（pheromone）的行为。蚂蚁在运动过程中会在其经过的路径上留下信息素，而且蚂蚁也能够感知信息素的存在浓度，以此来指导自己的移动方向。每只蚂蚁都倾向于朝着信息素浓度高的方向移动，这就形成了正反馈现象。
蚁群算法解决路径优化问题
蚁群算法是一种用来在图中寻找优化路径（最小花费函数）的几率型算法。 一．基本原理： 1 蚂蚁在行走过程中会释放一种称为“信息素”的物质，用来标识自己的行走路径。 2 在寻找食物的过程中，根据信息素的浓度选择行走的方向，并最终到达食物所在的地方。 3 信息素会随着时间的推移而逐渐挥发。 二．算法的特点： 1 自组织，依据信息素，使蚂蚁从无序到有序 2 并行的算法，每只蚂蚁都是独立的，具有较强的全局搜索能力。 3 正反馈，最短路径依赖于信息素的堆积 最经典的是旅行商问题的最优路径.
蚁群算法解决TSP问题
一、论述 1、算法来源 蚁群算法的基本原理来源于自然界蚂蚁觅食的最短路径原理，根据昆虫学家的观察，发现自然界的蚂蚁虽然视觉不发达，但它可以在没有任何提示的情况下找到从食物源到巢穴的最短路径，并且能在环境发生变化（如原有路径上有了障碍物）后，自适应地搜索新的最佳路径。 2、单个蚂蚁寻找路径 正反馈： 单个的蚂蚁为了避免自己迷路，它在爬行时，同时也会释放一种特殊的分泌物——信息素（Phero
蚁路算法详解
一、蚁路算法由来： 蚁路算法又称益群算法，蚂蚁在寻找食物源的时候，能在其走过的路径上释放一种叫信息素的激素，使一定范围内的其他蚂蚁能够察觉到。当一些路径上通过的蚂蚁越来越多时，信息素也就越来越多，蚂蚁们选择这条路径的概率也就越高，结果导致这条路径上的信息素又增多，蚂蚁走这条路的概率又增加，生生不息。这种选择过程被称为蚂蚁的自催化行为。对于单个蚂蚁来说，它并没有要寻找最短路径，只是根据...
蜂群算法在组合优化问题中的应用
蜂群算法在组合优化问题中的应用 作者：禅与计算机程序设计艺术 1. 背景介绍 组合优化问题是计算机科学和运筹学中一个重要的研究领域。这类问题通常涉及在一个离散的解空间中寻找满足某些约束条件的最优解。常见的组合优化问题包括旅行商问题(TSP)、背包问题、图着色问题等。这些问题在实
蚁群算法：TSP测试数据集的应用与分析
蚁群算法，作为启发式算法的一种，其灵感来源于自然界中蚂蚁觅食的行为。蚂蚁在寻找食物源和回巢的过程中，能够以一种群体智能的方式找到最短路径。这一行为背后的原理是蚂蚁会释放一种叫做信息素的化学物质，其他蚂蚁会根据信息素的浓度来选择路径。信息素浓度越高的路径，后续的蚂蚁越可能选择，从而形成一种正反馈机制。TSP（Travelling Salesman Problem）问题，即旅行商问题，是一种经典的组合优化问题。
八大核心深度学习算法详解：从CNN到Transformer的完整指南
深度学习作为人工智能的核心技术，通过多层神经网络模拟人脑学习机制。其基本原理是利用反向传播算法优化网络参数，从数据中自动提取特征表示。这一技术价值在于能够处理高维复杂数据，在图像识别、自然语言处理等领域实现突破性进展。卷积神经网络（CNN）通过局部连接和权值共享有效处理图像数据，而Transformer架构基于自注意力机制革新了序列建模方式。在实际工程实践中，CNN广泛应用于计算机视觉任务，如图像分类和目标检测；Transformer则成为自然语言处理的主流架构，支撑着BERT、GPT等预训练模型。本文系统
基于FME—三调篇—尖锐角及小缝隙处理
1 问题分析： 该功能实现在FME较为简单，相对ARCGIS模型构建器以及ARCGIS ENGINE，FME更适合无代码基础的人群。在三调内业数据处理要求中，尖锐角是不允许存在的。本文基于FME实现了对尖锐角的自动查询与消除以及自动处理在消除尖锐角过程中产生的缝隙，并进行了拓扑检查，实现自动化批量处理尖锐角的功能，提高工作效率。 2 总体思路： 2.1 实现功能分析： 1.找出小于指定角度的尖锐角...
STK相关总结
STK简介 一.SIM卡应用工具包（SIM Application Toolkit），又名CAT/USAT,它包含一系列终端与SIM卡的交互指令，SIM卡可以应用卡内的小应用程序和终端交互，从而实现增值服务的目的，STK包括三种类，STK-imsi切换，STK –OTA，STK-BIP 功能： (1) Profile download:配置下载，开机初始化SIM卡过程中，终端告诉SIM卡终端支持哪些功能，STK中download指终端将数据发送给SIM卡 (2) Proactive command: 主动式
个人顶级AI助手OpenClaw(Clawdbot) - 新手快速入门指南
本文详细介绍了个人顶级AI助手OpenClaw(Clawdbot) 的快速入门指南,包括安装部署和使用配置及注意事项
基于YOLOv13+CBAM注意力机制
本教程详细介绍了CBAM注意力机制的原理及其在YOLOv13中的集成方法。CBAM通过通道注意力和空间注意力两个模块，动态调整特征权重以增强模型性能。通道模块利用池化操作和共享MLP生成通道权重，空间模块则通过池化和卷积生成空间权重。教程提供了在YOLOv13中实现CBAM的具体步骤，包括模块代码定义、模型配置修改等关键环节，帮助开发者在目标检测任务中提升模型表现。
基于 STM32 的校园电动车充电桩智能计费与过载保护系统设计与实现
本系统基于 STM32F103 主控，通过 HLW8032 电能计量芯片实现精准计费，配合继电器实现过载保护，RC522 模块完成刷卡身份识别，整体方案成本低、可靠性高，适合校园电动车集中充电场景的批量部署。软件采用状态机设计，逻辑清晰，可扩展多路充电口、远程监控等功能。
AEJoy —— 表达式之仅限在某一维摆动【JS】
效果图 wiggle() 的作用仅限于水平方向 想法 wiggle() 确实是一个非常方便的工具，但有时您希望对它有更多的控制。在本例中，我们希望仅将摆动限制在水平方向。 设计 要理解 wiggle() 最重要的一点是，它生成的结果与应用它的属性具有相同的维度。例如，如果你将 wiggle() 应用于 3D 层的 position 属性，结果将是一个由三个元素组成的数组(x、y 和 z 各一个)。我们需要做的就是将 wiggle() 的结果捕捉到一个变量(我们称之为 “w” )，然后从这个变量中提取我们想
YOLO11多类别数据集的类别平衡方法：讲解类别不平衡问题的识别方法，以及过采样、欠采样、类别权重调整等解决方案（一）
类别不平衡问题是机器学习和计算机视觉领域中一个常见但棘手的挑战。简单来说，当数据集中不同类别的样本数量存在显著差异时，我们就称这个数据集存在类别不平衡问题。在YOLO目标检测任务中，这意味着某些类别的目标对象在训练数据中出现得非常频繁，而其他类别的目标对象则很少出现。 想象一下，你正在训练一个交通监控系统，需要检测不同类型的车辆。在这个场景中，"汽车"这个类别可能有成千上万个实例，而"自行车"或"摩托车"可能只有几百个实例。这种数量上的巨大差异就是典型的类别不平衡问题。 从数学角度来看，假设我们有一个包
pscad IEEE标准系统搭建说明
pscad IEEE标准系统搭建说明，包含典型的IEEE 9节点、14节点、30节点、39节点和118节点系统。内含标准测试系统的原始数据和潮流结果。
Data-Structures-and-Algorithm-Analysis-in-Java.pdf
作者: Weiss, Mark A. 出版社: Addison Wesley Data Structures and Algorithm Analysis in Java is an “advanced algorithms” book that fits between traditional CS2 and Algorithms Analysis courses. In the old ACM Curriculum Guidelines, this course was known as CS7. This text is for readers who want to learn good programming and algorithm analysis skills simultaneously so that they can develop such programs with the maximum amo...
深度学习工具包 DeepLearningToolbox
深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[](https://bitdeli.com/free "Bitdeli Badge")
汉书HE8，好用的汇编代码编写工具
汉书HE8，好用的汇编代码编写工具早期编写汇编代码所用功能强大
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
4227
扫一扫
