- 博客(207)
- 资源 (1)
- 收藏
- 关注
RSS订阅原创 一个基于windows11与本地deepseek实现的语音助手完整解决方案（完整可行，附代码）
如果需要高质量的语音，可能需要更复杂的设置，比如使用微软的语音服务或Google的TTS API，但需要网络。（3）调用DeepSeek API：假设DeepSeek部署在本地端口（如http://localhost:8000/generate），发送POST请求，参数中包含输入的文本，设置stream=True以支持流式响应。另外，Vosk的模型路径需要使用Windows风格的路径。使用Vosk离线模型（需下载中文模型，但是目前没有，通用的版本即可，也支持中文），语音录制（适配Windows音频设备）。
2025-04-03 23:44:16
77
原创 一个基于Windows系统的完整语音助手解决方案
print("[AI] 完整响应:", "".join(full_response))record_audio("test.wav", device_id=1) # 替换实际设备ID。│ ├── deepseek_api.py # DeepSeek接口模块。│ ├── wake_word.py # 唤醒词检测模块。│ ├── audio_utils.py # 音频处理模块。│ ├── tts_engine.py # 语音合成模块。
2025-03-31 22:49:22
233
2
原创 知识表示方法之四：语义网络表示法（Semantic Network Representation）
表示这些实体之间的各种语义联系，指明它连接的节点间的某种语义关系，节点和弧都必须带有标识（标签），以便区分各种不同的对象以及对象间各种不同的语义联系，每个节点可以带有若干属性，一般用框架或元组标识，标签（Label）进一步明确关系的类型。节点表示事务、概念、情况、属性、动作、状态、对象或实体，有向边表示这些实体之间的关系（语义联系），边上的标签（Label）进一步明确关系的类型。尽管面临知识动态性、推理效率等挑战，但。句子“苹果发布了新款手机”中，“苹果”通过语义网络关联到“公司”而非“水果”。
2025-03-30 22:38:57
616
2
原创 一阶谓词逻辑表示法、产生式表示法、框架表示法深度对比
优点在于模块化，易于理解和添加规则，适合处理分步骤的决策过程。但缺点是当规则数量庞大时，效率可能下降，且处理复杂的层次结构或继承关系不够直观。它类似于面向对象编程中的类与对象，适合表示具有层次结构和属性的知识。优点是结构化强，便于知识复用和继承，适合复杂对象建模。以下是一阶谓词逻辑表示法、产生式表示法和框架表示法的深度对比分析，从多个维度进行比较，涵盖核心特性、表示能力、推理机制、适用场景、优缺点及实际应用等。是结构化的，通过框架、槽和侧面来描述对象及其属性，支持继承和默认值。
2025-03-29 15:52:58
813
原创 混合知识表示系统框架python示例
框架表示法用于描述疾病模板，需要定义类结构，比如Disease类，包含症状、检查项等属性。（3）需要处理的数据流程是：输入症状和检查结果，通过产生式规则匹配可能的疾病，然后验证这些疾病是否符合逻辑约束，比如检查结果是否满足确诊条件，药品是否有冲突。前文我们已经深入学习了框架表示法、产生式规则和一阶谓词逻辑，并对它们进行了深度对比，发现它们在不同的应用场景下各有优缺点。适合层次化知识建模场景，天然支持继承和默认值，通过继承复用父框架属性实现知识复用与扩展，通过默认值和约束侧面处理能处理不确定知识的优点。
2025-03-29 15:13:01
1390
4
原创 知识表示方法之三：框架表示法（Frame Representation）
接下来我们继续学习知识的表示方法：框架表示法（Frame Representation）。在实际应用中，常与产生式系统结合使用，例如用框架表示静态知识，用规则处理动态推理。框架表示法通过层次化的框架结构，结合继承、默认值和约束机制，为复杂对象的知识建模提供了系统化工具。,sn}：槽集合，每个槽 sisi 描述对象的属性或行为。组成，支持继承、默认值、约束等特性，类似于面向对象编程中的类与对象。其中 S0 是父框架的槽集合，ΔS 是子框架新增或覆盖的槽。P：父框架（继承关系的来源，允许多继承）
2025-03-28 23:51:08
759
原创 产生式系统的完整示例——医疗诊断系统（附python代码）
发烧（Fever）、咳嗽（Cough）、皮疹（Rash）、喉咙痛（SoreThroat）、头痛（Headache）、流涕（RunnyNose）、呼吸困难（ShortnessOfBreath）、白细胞计数高（HighWBC）、接触流感患者（ContactFlu）、接触麻疹患者（ContactMeasles）。（2）若规则库中存在尚未使用过的规则，而且它的前提（前件）可与综合数据库中的已知事实匹配，则转第（3）步；（3）执行当前选中的规则，并对该规则做上标记，把该规则执行后得到的结论送入综合数据库中。
2025-03-28 18:20:57
893
原创 知识表示方法之二：产生式表示法（Production System）
是一种基于“条件-动作”（Condition-Action）规则的知识表示方法，广泛应用于专家系统、自动推理和决策支持系统。它通过一组产生式规则（也称为“产生式”或“规则”）来表示知识，每条规则都具有条件-动作（Condition-Action）的结构。
2025-03-27 21:03:30
1126
4
原创 Python的迭代器（Iterator）介绍以及实现多次使用
在 Python 中，迭代器（Iterator）是一种容器对象，它实现了迭代器协议（Iterator Protocol），允许用户通过循环或迭代的方式逐个访问容器中的元素，而无需暴露容器的底层实现细节。迭代器是 Python 中实现迭代功能的核心机制，广泛应用于各种数据结构和场景。
2025-03-27 20:05:47
977
原创 知识表示方法之一：一阶谓词逻辑表示法（附详细示例）
一阶谓词逻辑（First-Order Predicate Logic, FOPL）是一种形式化语言，适合于表示事物的状态、属性、概念等实时性的知识，也可以用来表示事物间确定的因果关系，即规则。用于描述个体（对象）、谓词（关系或属性）、量词（全称量词 ∀ 和存在量词 ∃）以及逻辑连接词（如 ∧, ∨, →, ¬）。其核心思想是通过符号化的方式表示知识，并支持严格的逻辑推理。
2025-03-26 21:31:42
861
原创 线性表的链式存储结构——链表（超详细图解）
链表是用一组任意的存储单元（可以是连续的，也可以是不连续的存储单元）来存储先线性表中的数据元素，逻辑上相邻的数据元素在物理位置上不一定相邻。声明单链表结点类Node<T>，节点类的成员变量由两个：data是结点的数据域，数据元素类型为T（T是指泛型，在真实应用场景下改成具体的类型即可）；带头结点的单链表执行插入操作，则不会向不带头结点那样麻烦，因为在任何位置插入操作都是一样的。带头结点的循环单链表的各种操作的实现算法与带头结点的单链表的实现算法类似，只需将相应算法中。空表：head.next==null。
2025-03-26 16:36:58
1019
原创 推理过程的去模糊化（Defuzzification）方法详解
（1）定义输入变量T和H的隶属函数（2）建立规则库（3）计算每个规则的激活强度（4）聚合所有规则的输出（5）解模糊化（去模糊化）得到具体数值（1）场景：空调阀门控制系统（2）输入变量：温度T=28∘C湿度H=70%（3）模糊规则库：如果T 高 且 H 高，则 Y 全开。如果T 中 或 H 中，则 Y 半开。如果T 低 且 H 低，则 Y 关闭。
2025-03-25 14:34:39
815
5
原创 模糊规则激活方法详解（python实例对比）
前文我们已经了解了多种隶属函数，如三角形、梯形、高斯型、S型和Z型，并且讨论了模糊推理的基本过程，包括模糊化、规则评估、聚合和解模糊化。总结：最小-蕴含法（Mamdani方法）是取前件隶属度的最小值作为规则的激活强度，然后用这个值去裁剪后件的隶属函数。（1）规则：“如果温度高（μT =0.8）且湿度高（μH =0.6），则阀门开度Y=0.8×0.6×100%=48%”。（1）规则：“如果温度高（μT=0.8）且湿度高（μH=0.6），则阀门全开”。（2）红色曲线：最小-蕴含法结果（隶属度在0.6处截断）。
2025-03-24 23:23:45
738
2
原创 模糊推理规则生成方法详解
专家经验适合简单系统，数据驱动方法（如ANFIS、聚类）适合复杂数据场景，而优化算法（如GA）可用于精细化调优。这种方法不需要专家知识，但需要足够的数据支持，且聚类结果的好坏直接影响规则的有效性。这种情况下，规则直接反映了专家的判断，但这种方法依赖于专家的知识是否全面和准确，可能在复杂系统中不够高效。例如，发现温度高和湿度高经常同时出现，并且对应高阀门开度，可以生成相应的规则。例如，基于专家经验的规则易于理解和调整，而数据驱动的规则可能更精确但缺乏透明性。，能够通过训练数据自动调整隶属函数的参数和规则库。
2025-03-24 10:07:09
880
5
原创 图解模糊推理过程（超详细步骤）
在例子中，需要定义输入变量T和H的隶属函数，比如低温、中温、高温，低湿、中湿、高湿。接着，计算每个规则的激活强度，如何应用蕴含方法（比如最小操作），然后通过聚合所有规则的输出，最后解模糊化得到具体数值。比如假设输入温度为30度，湿度为70%，计算每个条件的隶属度，应用规则，得到每个规则的输出，再聚合和解模糊化。其中，a表示左边界（隶属度为0的点），b表示顶点（隶属度为1的点），c表示右边界（隶属度为0的点）。（2）步骤：对每个输入变量（T和H）的模糊集合（如“低温”、“中温”、“高温”），
2025-03-23 23:59:00
1109
原创 Pi型隶属函数（Π-shaped Membership Function）的详细介绍及python示例
Pi型隶属函数通常由两个S型函数组合而成左侧：递增S型函数（从0到1）。右侧：递减Z型函数（从1到0）。其数学表达式为：其中：S(x,a,c) 是S型函数：c：中心点，隶属度为1的区间中心。w：控制隶属度为1的区间宽度（半宽）。a1 ,a2：分别控制左侧和右侧曲线的陡峭程度。
2025-03-23 20:35:56
790
原创 Z型隶属函数（Z-shaped Membership Function）的详细介绍及python示例
Z型是递减的，而S型是递增的。图形在x=3（即c-s=5-2）之前隶属度为1，之后逐渐下降，在x=7（即c+s=5+2）之后为0。·Z型（低温）：中心点c=15°C，斜率a=-0.5，表示温度低于15°C时隶属度高，逐渐递减。·第一张图：展示Z型（蓝色）和S型（红色）隶属函数曲线，低温在左侧隶属度高，高温在右侧隶属度高。·S型（高温）：中心点c=25°C，斜率a=0.5，表示温度高于25°C时隶属度高，逐渐递增。高温（S型）：隶属度从0递增到1，中心点c=25°C，斜率a=0.5。
2025-03-22 17:31:20
813
原创 S型隶属函数（Sigmoid Membership Function）的详细介绍及python示例
S型函数通常是指类似于逻辑函数的S形曲线，比如sigmoid函数，它在0到1之间变化，中间有一个平滑的过渡。S型隶属函数就是基于这种形状的函数，用来表示某个变量属于某个模糊集合的程度，尤其是在需要表示单调递增或递减的情况。S型隶属函数基于Sigmoid函数，具有独特的“S”形曲线，适合描述变量从非隶属到完全隶属（或相反）的平滑过渡过程。标准的sigmoid函数是：S型隶属函数的核心是Sigmoid函数，通过参数控制曲线的陡峭程度和中心点：（1）
2025-03-22 14:05:19
1375
原创 本地基于Ollama部署的DeepSeek详细接口文档说明
为了避免网络安全问题，我们希望已经在本地调优的模型，能够嵌入到在本地的其他应用程序中，发挥本地DeepSeek的作用。（2）查看和使用本地Windows系统下通过Ollama部署的DeepSeek模型的API：https://lzm07.blog.youkuaiyun.com/article/details/145601121。说明: 在请求（文本生成/对话）中设置 "stream": true 时，响应将以数据流形式分块返回。数据格式: 分块返回SSE（Server-Sent Events）格式数据。
2025-03-21 14:29:19
1101
原创 系统建模：基于模糊逻辑的冷气阀门控制系统（T-S推理Python示例）
a：左边界（隶属度为0的点）。b：顶点（隶属度为1的点）。c：右边界（隶属度为0的点）。
2025-03-21 01:15:00
1048
2
原创 模糊逻辑和模糊集合理论的核心概念（隶属函数）及示例
三角形隶属函数由三个参数定义：a：左边界（隶属度为0的点）。b：顶点（隶属度为1的点）。c：右边界（隶属度为0的点）。其数学表达式为：其中：x 是输入变量。当 x = b 时，隶属度达到最大值1。当 x 在 a 和 c 之外时，隶属度为0。
2025-03-20 20:07:09
869
原创 T-S推理的超详细说明及示例
T-S推理（Takagi-Sugeno推理）是一种模糊推理模型，由日本学者Takagi和Sugeno于1985年提出，主要用于非线性复杂系统的模糊建模。它通过将系统输入和输出之间的关系划分为多个局部线性模型，并通过模糊规则进行组合，从而实现对复杂非线性系统的建模和控制。局部线性模型，如上图中的x；模糊规则进行组合，如上图中的T-S动态门。隶属度（Membership Degree）描述了一个元素属于某个模糊集合的程度。
2025-03-20 15:25:29
1206
原创 从零开始Python编写一个完整的点餐系统（附代码）
由于小曾诚信经营，食品健康美味，在收获良好口碑的同时，店铺的客流量也越来越大，带来了良好的经济效益。为了提高店粥铺的经营效率，获得良好的用户体验，提升粥铺的经营档次，小曾决定引入信息化技术，实现用户自助点餐。这里存在一个可以改进的地方，就是如果文件存在了，再次运行程序，新的数据要保存进文档中是不行的，会自动退出程序。向用户显示可以提供的主食，要求用户输入该主食的编号。使用Python开发该项目，可以发挥Python语言擅长文字处理的优势，快速、高效的完成开发任务，并且满足粥铺点餐系统的功能需求。
2025-03-19 12:09:40
1119
原创 超图神经网络的详细解析与python示例
超图神经网络（Hypergraph Neural Network，HGNN）是图神经网络（GNN）的扩展，是一种用于处理超图（Hypergraph）结构数据的深度学习模型。与传统图神经网络（GNN）不同，超图中的边（称为超边）可以连接任意数量的节点，因此能够更自然地建模复杂的高阶关系，即多个节点之间的复杂交互，而不仅仅是成对关系。这种能力使得HGNN在处理多模态数据、复杂关系建模等任务中具有独特的优势。超图与普通图的区别（1）普通图：边仅连接两个节点（二元关系）。（2）超图。
2025-03-18 23:48:08
853
2
原创 人工智能的数学基础之逻辑、集合论和模糊理论
基础层：集合论提供数据建模的数学工具，逻辑结构定义推理规则，模糊理论处理不确定性。算法层：非单调逻辑解决动态环境下的常识推理，代数系统支撑复杂运算验证，模糊逻辑用于模糊推理。系统层：逻辑场模型与跨模态对齐技术推动通用智能体的实现。这一理论体系不仅为现有技术（如深度学习、强化学习）提供底层支撑，更为具身智能、自适应系统等未来方向奠定基础。
2025-03-18 12:20:58
724
原创 贝叶斯网络的基本概念并构建一个贝叶斯网络（实例）
1. 创建条件概率表（CPT）为每个节点创建条件概率表，描述在给定父节点状态下该节点状态的概率分布。例如，“感冒”的先验概率为 P(Flu=True)=0.1，则 P(Flu=False)=0.9。2. 定义子节点的条件概率对于每个子节点，定义在不同父节点组合下的条件概率。例如，给定“感冒”的情况下，“发烧”的条件概率为 P(Fever=True∣Flu=True)=0.8，则 P(Fever=False∣Flu=True)=0.2。
2025-03-17 19:08:34
877
原创 人工智能的数学基础之概率论与统计学（含示例）
底层建模：通过概率分布描述数据不确定性，利用统计方法提取特征规律。中层算法：贝叶斯推理、随机过程支撑机器学习与动态系统建模。高层应用：多模态融合、不确定性量化推动自动驾驶、医疗诊断等场景落地。这一学科体系不仅为传统算法（如分类、回归）提供数学保障，也为生成式AI、具身智能等新兴方向奠定理论基础。
2025-03-16 23:01:13
1008
4
原创 二值逻辑、三值逻辑到多值逻辑的变迁（含示例）
二值逻辑、三值逻辑到多值逻辑的变迁是一个逻辑体系不断拓展和深化的过程，反映了人们对复杂现象和不确定性问题认识的逐步深入。前文，我们已经探讨过命题逻辑与谓词逻辑，了解了如何用符号语言从浅入深地刻画现实世界。人工智能中用到的逻辑可概括地划分为两大类。第一类是经典命题逻辑和一阶谓词逻辑，第二类是泛指除经典逻辑之外的那些逻辑。第一类其特点是任何一个命题的真值或者为“真”，或者为“假”，二者必居其一，因为它只有两个真值，因此又称为二值逻辑。第二类主要包括。
2025-03-15 13:54:22
664
原创 专家系统如何运用谓词逻辑进行更复杂的推理
前文，我们讲解了命题逻辑和谓词逻辑的基本概念、推理规则、应用以及一些简单的示例。具体内容可以先看我的文章：人工智能的数学基础之命题逻辑与谓词逻辑（含示例）-优快云博客 那么形如专家系统这类复杂系统，是如何通过谓词逻辑实现的呢？接下来，我们通过实例来深度了解一下，专家系统通过谓词逻辑进行复杂推理，主要体现在知识表示、规则定义和推理过程三个方面。以下是具体的解析和示例： 在专家系统中，知识库是核心部分，用于存储领域专家的知识和经验。知识通常以谓词逻辑的形式规则表示，能够精确地描述实
2025-03-15 00:03:59
905
原创 人工智能的数学基础之命题逻辑与谓词逻辑（含示例）
命题逻辑和谓词逻辑是人工智能的重要数学基础。命题逻辑适合简单推理，而谓词逻辑能够更精细地表示知识并支持复杂推理。它们在知识表示、自动推理和专家系统中发挥着重要作用。
2025-03-14 15:42:30
866
原创 通过特征值和特征向量实现的图像压缩和特征提取
图像压缩：通过SVD分解图像矩阵，保留最大的几个奇异值及其对应的奇异向量，重构图像以实现压缩。将图像矩阵分解为。保留前 k 个奇异值及其对应的奇异向量。通过近似重构图像。评估压缩效果。特征提取：通过PCA计算数据的协方差矩阵的特征值和特征向量，选择最重要的特征向量作为新的特征空间，实现降维。标准化数据。计算协方差矩阵并求解特征值和特征向量。选择前 k 个主成分。将数据投影到主成分空间。评估特征提取效果。
2025-03-14 00:45:00
1441
2
原创 人工智能中的线性代数基础详解
标量：单个数值，如常量或变量，例如 a=5。向量一维数组，表示具有大小和方向的量。在人工智能中，单条数据样本通常以向量形式表示，例如。矩阵二维数组，用于表示多条数据样本或模型参数。例如，一个包含多个样本的数据集可以用矩阵表示，例如。张量多维数组是标量、向量和矩阵的推广。在深度学习中，张量用于表示高维数据，如图像和视频，例如。
2025-03-13 15:29:31
901
原创 Python 的字符串格式化方法
说明：这里可以使用索引，后面括号中的变量按顺序建立索引，如name的索引为0，age的索引为1，所以在前面{ }占位符中，可以不用顺序对应后面的变量（引用的次数和位置都没有限制），而是按照索引值来读取。说明：这里是将name插入到第一个{ }所在的位置，将age插入到第二个{ }所在的位置，顺序是对应的，跟前面%格式化一样。说明：这里是将name插入到%s所在的位置，将age插入到%d所在的位置，顺序是对应的。f-string 是 Python 3.6 引入的一种新的字符串格式化方法，使用。
2025-03-12 17:48:12
855
原创 Python+jupyter进行数据分析与数据挖掘
Jupyter 是一个开源的交互式计算环境主要用于数据科学、机器学习、科学计算和教育等领域。它支持多种编程语言，其中最常用的是 Python，但也可以运行 R、Julia、Scala 等语言的代码。
2025-03-12 16:40:28
2204
原创 Python的浮点数
在 Python 中，有四种内置数值类型，分别是整型整数类型（int）、布尔类型（bool）、浮点数类型（float）和复数类型（complex）。浮点数默认是双精度类型，占8个字节（64bit）的内存空间，可提供最多17位有效数字。浮点数的可以通过多种方式处理。先了解一下什么是有效数字。通常指的是一个数中从第一个非零数字开始到最后一个数字之间的所有数字，包括末尾的零（不包括小数点）。例如，12.340有五位有效数字。
2025-03-11 14:27:18
1264
2
原创 python是动态强类型语言
我想要了解Python是弱类型还是强类型语言。首先，得明确强类型和弱类型的定义。强类型指变量类型严格，不能隐式转换；弱类型则允许更多隐式转换。然后，回顾Python的类型处理，比如整数和字符串相加会报错，这说明不允许隐式转换。但有时候，比如整数和浮点数运算，Python会自动提升为浮点，这可能被误解为弱类型。但严格来说，这种提升是有限的，并非任意类型间转换。所以Python属于强类型，但类型检查在运行时进行，属于动态强类型。结论是：Python 是语言，但同时也是语言。
2025-03-11 11:56:10
783
1
原创 无人机的飞行路径规划之CH-PPO算法（思考）
与传统的强化学习算法相比，CH-PPO算法不仅考虑了离散动作（如访问次序），还结合了连续动作（如悬停位置和飞行速度），使得无人机的运动策略更加合理。例如，在200米边长的区域中，CH-PPO算法的飞行距离比其他算法减少了约40%。实验结果显示，CH-PPO算法在不同任务规模下均能显著降低无人机的能耗，且与DQN、PPO和VLC-GA等算法相比，差距随着任务规模的增加而逐渐扩大。通过结合信息时效性（AoI阈值）和飞行路径，CH-PPO能够在保证任务完成的前提下，选择最优的飞行速度，从而减少任务完成时间。
2025-03-10 23:40:52
1601
原创 Qwen架构与Llama架构的核心区别
维度QwenLlama上下文扩展动态NTK-aware RoPE，无需微调支持32K+ tokens需手动扩展（如PI微调）注意力机制MQA/GQA动态切换，显存优化灵活固定多头注意力或GQA（仅大模型版本）任务适配多任务输出层，支持分类/生成/回归单一生成任务输出部署优化原生GPTQ-Int4量化，显存占用降低60%依赖第三方工具量化，精度损失较大语言侧重中文优化（分词器、训练语料）英文优先，中文需额外微调。
2025-03-08 17:11:16
466
2
原创 通义千问语言模型Qwen2.5架构详解
此外，将基于API的模型 Qwen-Plus 与领先的专有和开源模型进行了对比，包括 GPT4-o、Claude-3.5-Sonnet、Llama-3.1-405B和DeepSeek-V2.5。Qwen2.5-Math-72B-Instruct的整体性能超越了Qwen2-Math-72B-Instruct和GPT4-o，甚至是非常小的专业模型如 Qwen2.5-Math-1.5B-Instruct也能在与大型语言模型的竞争中取得高度竞争力的表现。近来也出现了明显的转向小型语言模型（SLMs）的趋势。
2025-03-08 16:09:44
3541
6
从零开始构建一个小型字符级语言模型的完整python示例代码
2025-02-20
DeepSeek-R1-Distill-Qwen-1.5B-Q8-0.gguf（第二部分）
2025-02-14
DeepSeek-R1-Distill-Qwen-1.5B-Q8-0.gguf（第一部分）
2025-02-14
DeepSeek基于DeepSeek-R1-1.5B.gguf的RAG微调项目完整文件包（第三部分）
2025-02-11
DeepSeek基于DeepSeek-R1-1.5B.gguf的RAG微调项目完整文件包（第二部分）
2025-02-11
DeepSeek基于DeepSeek-R1-1.5B.gguf的RAG微调项目完整文件包（第一部分）
2025-02-11
Git-2.47.1.2-64-bit-2025.2.9.exe
2025-02-09
cmake-3.31.5-windows-x86-64-2025.2.9.msi
2025-02-09
Visual Studio Build Tools之vs-BuildTools-2025.2.9.exe
2025-02-09
DeepSeek大模型的DeepSeek-R1-Distill-Qwen-1.5B-GGUF版本，2025.2.6最新版的安装包OllamaSetup.exe
2025-02-07
非凸优化算法的测试函数Goldstein-Price函数（Goldstein-Price function）的Python代码，实现3D效果
2024-12-19
非凸优化算法的测试函数Eggholder函数（Eggholder function）的Python代码，实现3D效果
2024-12-19
非凸优化算法的测试函数Three-hump camel函数（Three-hump camel function）的Python代码，实现3D效果
2024-12-19
非凸优化算法的测试函数Levy函数（Levy function）的Python代码，实现3D效果
2024-12-19
非凸优化算法的测试函数Michalewicz函数（Michalewicz function）的Python代码，实现3D效果
2024-12-19
非凸优化算法的测试函数Easom函数（Easom function）的Python代码，实现3D效果
2024-12-19
非凸优化算法的测试函数Schwefel函数（Schwefel function）的Python代码，实现3D效果
2024-12-19
非凸优化算法的测试函数Griewank函数（Griewank function）的Python代码，实现3D效果
2024-12-19
非凸优化算法的测试函数Cross-in-Tray函数（Cross-in-Tray function）的Python代码，实现3D效果
2024-12-19
非凸优化算法的测试函数Ackley函数（Ackleyfunction）的Python代码，实现3D效果
2024-12-19
非凸优化算法的测试函数Rastrigin函数（Rastrigin function）的Python代码，实现3D效果
2024-12-19
非凸优化算法的测试函数Rosenbrock函数（Rosenbrock's function）的Python代码，实现3D效果
2024-12-19
vue3实现自定义导航菜单的案例代码
2024-11-28
Vue 3中实现多个自定义组件之间的切换的案例代码
2024-11-27
vue2自定义注册和登录组件并实现在页面中切换的案例代码
2024-11-27
本科毕业论文格式自动排版工具
2024-11-19
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人