- 博客(367)
- 资源 (3)
- 收藏
- 关注
RSS订阅原创 基于Python、Tkinter制作带logo的二维码
下载4个纯净的虚拟环境：base-env-py36、base-env-py37、base-env-py38、base-env-py39。对应的python版本分别是python3.6、python3.7、python3.8、python3.9。解压放到目录下：打开Anaconda Prompt，查看现有的环境：基于纯净的虚拟环境base-env-py37创建work-env-py37虚拟环境，并。
2024-09-05 21:45:20
462
1
原创 基于Python、Django开发Web计算器
创建Django项目参照，其中项目名为compute，并在该项目下创建一个名为app的应用，并且进行基本的配置。
2024-08-13 21:15:28
489
原创 Bootstrap框架介绍
Bootstrap框架是基于HTML、CSS、JavaScript的，是一种封装好的前端框架。它包括字体样式库。，并选择下载源码。建一个BootstrapDemo文件夹，将js、css、front文件复制到该文件夹下。在Pycharm中打开BootstrapDemo文件夹，并在该文件夹下建立一个index.html文件，如图所示。文件,由于下载的Bootstrap中并没有包含jquery.min.js文件，因此需要提前下载下来并放到js文件夹下。接下来就是在index.html文件中。
2024-08-04 22:16:48
203
原创 第一个Python Web程序
由于Python是版本，Django选择版本，并且中间需要安装依赖包。全部安装包如下：打开Anaconda Prompt，先进入Python3.7环境，然后依次安装各个包：至此，Django离线安装成功。
2024-07-30 16:18:02
148
原创 Python基础
在Python中，用引号括起来的都是字符串，可以是，也可以是。方法titile()以的方式显示每个单词。输出：要在，可在前引号前加上字母f，再将要插入的变量放在花括号内。这样，当Python显示字符串时，将把每个变量都替换为其值。输出：rstrip()方法删除字符串的空白，lstrip()删除字符串的空白，strip()删除字符串的空白。变量favorite_language调用这三个方法后，。输出：' python''python ''python'' python '
2024-06-25 16:23:51
284
原创 标准CSO
CSO（competitive swarm optimizer）算法是在PSO（particle swarm optimization）算法的基础上改进而来的。PSO算法是一种功能强大、应用广泛的群体智能算法，主要用来解决优化问题。PSO算法包含一个粒子群，粒子群里面的每个粒子均有1个nnn维位置变量和1个nnn维速度变量。在算法的每次迭代过程中，每个粒子的位置变量XiX_{i}Xi和速度变量ViV_{i}ViVit1ωVitc1R1tpbe。
2023-05-12 21:18:42
1045
2
原创 矩阵求逆_高斯消元法
由Algorithm1看出，利用高斯消元法求矩阵的逆的时间复杂度是。首先必须要判断矩阵是不是一个方阵，其方法是对于一个矩阵。越大的情况下，该方法消耗的计算成本远远小于伴随矩阵法。，先构造一个增广矩阵。
2023-04-14 16:09:23
1772
原创 矩阵求逆_伴随矩阵法
首先展示一个nDa11a21an1a12a22an2a1na2nanna11A11a12A12⋯a1nA1n其中,aiji12nj12n称为行列式的第i行, 第j列元素；A1j−11jM1jj12nM1j为D中划掉第一行和第j列的所有元素后, 按原顺序排成的n−1。
2023-03-30 11:08:15
1860
原创 高斯分布
高斯分布又叫正态分布，是统计学中最重要的连续概率分布。研究表明，在物理科学和经济学中，大量数据的分布通常是服从高斯分布，。高斯分布分为一维高斯分布和多维高斯分布。假设一维随机变量X服从高斯分布如下：它的概率密度函数见公式为：。分布的均值决定了图形中心的位置，标准差决定了图像的高度和宽度。标准差大时，曲线呈现出“矮胖”，标准差小时，曲线呈现出“高瘦”。因此通过改变均值和标准差，根据其概率密度函数得到不同的高斯分布，见下图。时，就得到了标准高斯分布。
2023-02-07 16:39:53
7835
原创 极大似然估计
极大似然估计是参数估计中点估计的一种，点估计是依据样本估计总体分布中所含的未知参数或未知参数的函数。根据前面关于离散型随机变量似然函数的定义，我们知道，基于给定的观测数据（观测到两次正面朝上），我们认为参数。一般来说，我们假定模型结构是已知的，参数是未知的，数据是已知的。的求导，是一个很复杂的问题，于是有一个直观的想法，就是把它转成对数函数，累乘就变成了累加。它实际上表达的含义是，在观测到两次正面朝上的情况下，我们推测硬币正面朝上的概率。的，所以是满足对 数函数的定义域的。当然，对于一个均匀的硬币来说，
2023-02-04 09:57:32
740
原创 协方差与相关系数
计算协方差的时候我们并没有把不同变量幅值差异性考虑进来，在比较协方差的时候也就没有一个统一的量纲标准。因为标准差本身反映了变量的幅值变化程度，除以标准差正好能起到抵消的作用，让协方差标准化。为了消除这一影响，为了准确得到变量之间的相似程度，把协方差除 以各自变量的标准差。相关系数大于零，则表示两个变量正相关，且相关系数越大，正相关。相关系数小于零，则表示两个变量负相关，且相关系数越小，负相关。，所以只能通过协方差的正负，来判断是正相关还是负相关，协方差是度量两个随机变量（变化趋势）的相似程度，公式。
2022-12-28 11:06:23
1331
原创 DG2: A Faster and More Accurate Differential Grouping for Large-Scale Black-Box Optimization
本文在DG分解的基础上，提出了DG2分解。DG2从数学上证明了新的采样技术实现了关于函数估值次数的下界；DG2检查所有可能的变量对以进行交互，并有能力识别目标函数的重叠组件；DG2通过估计舍入误差的大小来寻找一个可靠的阈值，可以自动计算其阈值参数。
2022-12-23 19:49:49
445
1
原创 CBCC3 – A CBCC Algorithm with Improved Exploration/Exploitation Balance
本文是在CBCC1和CBCC2的基础上提出了CBCC3。在本文中，证明了过度探索和过度开发是现有CBCC变体中性能损失的两个主要来源。在此基础上，提出了一种新的基于贡献的算法，可以在探索和开发之间保持更好的平衡。
2022-12-16 21:37:00
809
原创 A Sensitivity Analysis of Contribution-Based Cooperative Co-evolutionary Algorithms
本文在CBCC的基础上，通过分析现有的CBCC技术在更现实的情况下的性能，我们的深入分析表明，即使在这些情况下，CBCC算法也是传统CC技术的优越的替代品。
2022-12-14 14:57:04
237
原创 Cooperative Co-evolution with Differential Grouping for Large Scale Optimization
本文在CCVIL分解的基础上，提出了一种称为微分分组(DG)的自动分解策略，它可以揭示决策变量的潜在交互结构，使它们之间的相互依赖保持在最小。最后将DG分组策略应用于DECC与CBCC的框架中。
2022-12-10 14:07:48
949
1
原创 Impact of Problem Decomposition on Cooperative Coevolution
本文在CCVIL的基础上，讨论了问题的分解效果对于CC框架的影响。由于VIL本身是一项计算成本昂贵的任务，因此应该避免在VIL上花费过多的时间而对CCEA没有显著的好处。我们进行实证研究来解决三个密切相关的问题： 1)更好的问题分解会导致更好的CCEAs性能？2)何时改进问题分解会有利于CCEAs？3)改进问题分解会在多大程度上提高CCEAs的性能。
2022-12-06 20:33:19
257
原创 Large-Scale Global Optimization Using Cooperative Coevolution with Variable Interaction Learning
本文在CC框架的基础上，提出了一个新的CC框架CCVIL，放弃了均匀的随机变量分组策略。该框架最初将所有变量视为独立的，并将每个变量放入一个单独的组中。迭代地，它发现它们之间的关系，并相应地合并这些组。
2022-12-05 17:06:18
402
原创 Smart Use of Computational Resources Based on Contribution for Cooperative Coevolutionary Algorithms
本文再DECC的基础上，提出了一种新的优化框架CBCC。在处理不可分离问题时，各种子成分对个体整体适应度的贡献之间通常存在不平衡。使用循环方式平等地对待所有的子组件，浪费计算预算。本文提出了一个基于贡献的合作协同进化(CBCC)，它基于它们对全局适应度的贡献来选择子组件。这减轻了不平衡的问题，并允许更有效地利用计算资源。
2022-11-30 21:25:13
530
1
原创 Cooperative Co-evolution with Delta Grouping for Large Scale Non-separable Function Optimization
本文在 MCLL 的基础上，提出了 DECC_DML。在 DECC_DML 中，Delta 分组技术代替随机分组，Delta 方法测量整个种群迭代前后某个变量的平均差异，并使用它来识别相互作用的变量。最后 DECC_DML 简化了自适应分组大小的策略以及放弃自适应加权的优化过程。
2022-11-28 11:22:57
305
1
原创 Cooperative Co-evolution for Large Scale Optimization Through More frequent Random Grouping
本文是在MLCC的基础上改进而来的，提出了DECC_ML。本文证明了使用随机分组在一个子组件中分组交互变量的概率随着交互变量数量(每个子空间包含的变量维度)的增加而显著下降。这就要求更频繁地进行变量的随机分组。本文展示了如何增加随机分组的频率，而不增加适应度评估的数量。本文还表明，自适应加权是无效的，通过对目标函数的额外评估浪费了大量的CPU时间。最后，本文提出了一种新的动态调整分组大小的自适应技术。
2022-11-26 13:44:08
289
原创 An Adaptive Coevolutionary Differential Evolution Algorithm for Large-scale Optimization
本文在JADE和DECC_G的基础上，提出了JACC_G算法。在新的JACC-G算法中：采用带有lpbest的JADE作为子组件优化器；自适应加权仅在部分周期工作，添加检测模块以防止任意应用；在自适应加权过程中使用JADE优化权重向量。
2022-11-21 16:33:15
303
1
原创 JADE: Adaptive Differential Evolution withOptional External Archive
本文在DE的基础上，提出了一种新的差分进化(DE)算法JADE，通过实现一种新的突变策略p，采用可选的和，来提高优化性能。上述两种操作使种群多样化，并提高了收敛性能。
2022-11-20 11:20:22
2471
9
原创 Multilevel Cooperative Coevolution for Large Scale Optimization
本文在CCEA_G的基础上，提出了MLCC框架。在MLCC中，构造了一组问题分解器。演化过程分为若干个循环，。由于不同的组大小捕获了原始目标变量之间的不同交互水平，MLCC能够在不同水平之间自我适应。
2022-11-15 17:27:14
619
原创 Large scale evolutionary optimization using cooperative coevolution
可以推出：那么该函数就是可分离函数，否则则不是。下面展示了在EACC-G中同时优化两个相互作用的变量的概率的一个简单例子。首先，
2022-11-13 22:08:09
742
4
原创 Self-adaptive Differential Evolution with Neighborhood Search
本文是在SaDE和NSDE的基础上，结合二者的特点，提出了SaNSDE算法。
2022-11-10 11:15:50
1136
原创 Self-adaptive Differential Evolution Algorithm for Numerical Optimization
本文在DE算法的基础上，提出了一种自适应的差分进化算法(SaDE)。其中和两个控制参数。
2022-11-08 16:07:59
1722
1
原创 Making a Difference to Differential Evolution
差分进化(Differential Evolution)和进化规划(Evolutionary Programming)是进化计算中的两种主要算法。它们已成功地应用于许多真实世界的数值优化问题。社区搜索(Neighborhood Search)是支撑EP的主要策略，目前已经对不同的NS操作符(高斯随机数和柯西随机数)的特征进行了分析。虽然DE可能与EP的进化过程相似，但它缺乏邻域搜索的相关概念。本章提出了基于邻域搜索的NSDE。
2022-11-06 11:15:27
767
原创 DE–A Simple and Efficient Heuristic for Global Optimization over Continuous Spaces
本文主要提出了差分进化，然后与其他全局优化算法进行比较，然后得出差分进化效果更好的结论。本文不做其他算法进行解读，主要解读的是差分进化。
2022-11-02 10:08:34
979
2
原创 A modified competitive swarm optimizer for large scale optimization problems
本文是根据CSO提出来的一种改进版的CSO算法，即MCSO。与CSO不同，MCSO使用三竞争机制，。主要的想法是。作为一篇2区的文章，在算法创新上算不上很大，实际与原有的CSO改动十分小，但是由于它实验结果比较完善，并将该算法应用到“基于采样的图像匹配问题 ”上，增加了文章的内容的丰富程度，在这一点上还是不错的。
2022-10-25 10:47:23
527
原创 A Dynamic Competitive Swarm Optimizer Based-on Entropy for Large Scale Optimization
本文在CSO基础上，本文提出了一种新的动态竞争群优化器（DCSO）算法。它利用将种群动态地划分为两个子群。。在执行过程的阶段，由于种群熵较高，适应度较好的子群规模较小。这样，新的算法就类似于了。然后，在执行过程的，由于种群熵较低，适应度较好的子群规模较大。该算法转化为总。
2022-10-20 17:10:44
472
原创 Cross-validation and KNN
本文主要是通过KNN作为分类器，利用Cross-validation作为评估准确率的一种方式，取其平均值作为准确率。在这里KNN采用K=5的情况，Cross-validation采用10-fold-cross-validation。，
2022-10-10 11:05:41
403
原创 Feature selection for high-dimensional classification usinga competitive swarm optimizer
在本文中，首先，使用竞争群优化器（），以解决高维问题；此外，引入了一种来降低计算成本；利用进行分类性能的计算。在6个基准数据集上的实验表明，与其他对比算法相比较，所提出的基于cso的特征选择算法不仅选择了更少的特征，而且具有更好的分类性能。
2022-10-07 17:51:41
402
原创 Cross-validation
交叉验证是一种，以评估预测模型的泛化能力和防止过拟合。与bootstrap一样，交叉验证也属于蒙特卡罗方法的家族。本文介绍了交叉验证及其相关的重采样方法。
2022-10-05 19:46:21
1090
原创 redis面试基础
Redis 就是一个使用开发的数据库，不过与传统数据库不同的是 Redis 的数据是存在中的 ，也就是它是内存数据库，所以，因此 Redis 被广泛应用于缓存方向。Redis是一个基于内存的高性能数据库，是，适用于存储缓存用的数据，也适合需要高速读/写的场合使用它快速读/写。会话缓存、全页缓存、队列、排行榜/计数器。...
2022-08-29 16:23:28
342
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人