- 博客(186)
- 资源 (2)
- 收藏
- 关注
RSS订阅
原创 使用Gradio搭建聊天UI实现质谱AI智能问答
1、获取api_key智谱AI开放平台网址：2、安装库3、执行一下代码，调用质谱api进行问答。
2024-04-30 15:54:44
1719
1
原创 使用scikit-opt中粒子群算法求解约束优化问题
或者采用罚函数法、增广拉格朗日函数法将约束优化问题转化为无约束优化问题后，可以采用梯度类、粒子群算法进行求解。，每次迭代若粒子位置满足约束且优于历史最优位置，则更新位置，逐步引导粒子在可行域内搜索最优解。粒子群算法求解约束优化问题，关键是约束的处理，初始化将粒子历史最优位置设为。
2024-04-09 13:27:40
1262
原创 使用Java调用Cplex求解带时间窗的车辆路径问题
在使用大M法的时候，务必注意M的取值：不能取太小，也不能取太大！取太小可能导致出现不可行解，取太大可能会因为计算机的精度问题导致约束失效。待优化的问题即为，如何决策车辆访问客户的路径，使得在满足一定约束的条件下，实现最小化总成本的目标。如果尝试减去数据类型的最大可能值，则这将导致一些计算问题。表示了车站与客户之间，以及客户之间的有向连接。所有车辆通常是同质化的，每辆车都存在容量上限。所有节点的集合可表示为。会导致求解出现问题，得不到最优解。个点组成，其中客户由。，时间可以包括在弧上。都有需要被满足的需求。
2024-02-21 21:29:28
968
原创 基于集合的粒子群算法（S-PSO）求解车辆路径优化问题
为了缓解现有离散PSO算法的不足，为在离散空间中使用PSO算法开发一个更通用和灵活的框架，Chen等提出了一套为基础的PSO (S-PSO)框架。离散变量天然可以用集合进行表示，S-PSO在集合空间中重新定义了PSO。
2024-01-31 14:22:49
2143
原创 基于蚁群算法的TSP问题建模求解（Python）
蚁群系统（Ant System或Ant Colony System（是由意大利学者Dorigo、Maniezzo等人于20世纪90年代（1992年）首先提出来的。他们在研究蚂蚁觅食的过程中，发现单个蚂蚁的行为比较简单，但是蚁群整体却可以体现一些智能的行为。例如蚁群可以在不同的环境下，寻找最短到达食物源的路径。这是因为蚁群内的蚂蚁可以通过某种信息机制实现信息的传递。后又经进一步研究发现，蚂蚁会在其经过的路径上释放一种可以称之为“信息素”的物质，蚁群内的蚂蚁对“信息素”具有感知能力，它们会沿着“信息素”浓度较高
2024-01-12 09:32:26
1871
原创 基于模拟退火算法的TSP问题建模求解（Python）
模拟退火算法（Simulated Annealing Algorithm）来源于固体退火原理，是一种基于概率的算法。将固体加温至充分高的温度，再让其徐徐冷却，加温时，固体内部粒子随温升变为无序状，内能增大，分子和原子越不稳定。而徐徐冷却时粒子渐趋有序，能量减少，原子越稳定。在冷却（降温）过程中，固体在每个温度都达到平衡态，最后在常温时达到基态，内能减为最小。
2023-11-15 23:49:05
1457
原创 基于随机森林的波士顿房价预测
波士顿房地产市场竞争激烈，而你想成为该地区最好的房地产经纪人。为了更好地与同行竞争，你决定运用机器学习的一些基本概念，帮助客户为自己的房产定下最佳售价。幸运的是，你找到了波士顿房价的数据集，里面聚合了波士顿郊区包含多个特征维度的房价数据。你的任务是用可用的工具进行统计分析，并基于分析建立优化模型。这个模型将用来为你的客户评估房产的最佳售价。读取数据 CRIM ZN INDUS CHAS NOX R
2023-08-11 10:39:50
1522
原创 基于梯度下降算法的无约束函数极值问题求解
导数（Derivative），也叫。又名，是微积分中的重要基础概念。。如果函数的自变量和取值都是实数的话，函数在某一点的导数就是该函数所代表的曲线在这一点上的切线斜率。。例如在运动学中，物体的位移对于时间的导数就是物体的瞬时速度。对于一条直线来说，求该直线的斜率就是找到该直线上两个点x1y1和x2y2，分别求出两点在y和x上的增量。因此斜率就是y的改变量比上x的改变量，即ktanθΔyΔxx2−x1y2−y1。
2023-07-06 00:21:09
1560
原创 基于粒子群算法的无约束优化问题求解
粒子群算法（Particle Swarm Optimization，PSO）是由美国心理学家James Kennedy和电气工程师Russell Eberhart于1995年提出的一种算法，算是比较老也是非常经典的算法之一。采用Java编程粒子群算法求解了无约束优化问题中常用的几个测试函数。
2023-07-01 14:18:54
1804
原创 基于NSGA-II算法的多目标多旅行商问题建模求解
NSGA-II算法学习过程中涉及到了较多内容，除了遗传算法中，核心步骤外，又融入了等内容。在GA中，通常采用轮盘赌选择策略，为了加快收敛保留全局最优解，在采用轮盘赌的同时，通常引入精英保留（精英策略）提升算法性能。对于和，通常在原染色体上进行，生成子代染色后，直接替换掉原染色体。在NSGA-II中，每次迭代过程中，为了保证多样性，探索解空间，（采用的锦标赛选择）、和产生子代种群后不会进行替换。此时有原种群P，及选择交叉变异后得到子代种群Q，P、Q种群规模均为N，合并P和Q为2N的新种群R。
2023-06-26 00:23:32
2140
原创 基于Cplex求解器的JavaAPI语法使用
通过"// 定义一个浮点型的决策变量lb：lower bound，变量的下届ub：upper bound，变量的上届变量类型：：连续变量“x”：变量的名字，可选择的项整形变量通过// 写法1：定义一个整型的决策变量// 写法2：以上写法等价于如下写法，从源码来看，model.intVar()方法内部还是调用了model.numVar()方法，因此两种写法等价，但此时不在需要传参IloNumVarType.Int：0-1变量通过进行定义：还有另一种简单写法，即。
2023-05-22 00:04:25
1950
原创 基于自适应遗传算法的TSP问题建模求解（Java）
普通遗传算法（Sample Genetic Algorithm, SGA）存在着严重的缺点，它的Pc和Pm的值是固定的，本文采用自适应遗传算法进行求解TSP问题。不管是优良个体还是劣质个体都经过了相同概率的交叉和变异操作。
2023-04-14 23:55:04
3134
9
原创 基于遗传算法的CVRP建模求解（Python）
单向：纯取货/纯送货；单配送中心：只有一个配送中心/车场；单车型：只考虑一种车型，需求不可拆分：客户需求只能有一辆车满足；车辆封闭：完成配送任务的车辆需回到配送中心；车辆充足：不限制车辆数量，即配送车辆需求均能满足；非满载：任意客户点的需求量小于车辆最大载重；优化目标：最小化车辆启动成本和车辆行驶成本之和；约束条件：车辆行驶距离约束，重量约束；已知信息：配送中心位置、客户点位置、客户点需求、车辆最大载重、车辆最大行驶距离、车辆启动成本、车辆单位距离行驶成本；minZ=C0K+C1∑i=0N
2023-03-08 14:59:57
9319
43
原创 粒子群算法求解无约束优化问题Rastrigin函数
Rastrigin函数的极小值，Rastrigin函数是一个典型的非线性多峰函数，在搜索区域内存在许多极大值和极小值，导致寻找全局最小值比较困难，常用来测试寻优算法的性能。其中全局最小值点为（0，0），最小值为0。
2023-01-13 16:24:15
4443
原创 基于Dijkstra算法的最短路问题求解
迪杰斯特拉(Dijkstra)算法是典型最短路径算法，用于计算一个节点到其他节点的最短路径。它的主要特点是以起始点为中心向外层层扩展(广度优先遍历思想)，直到扩展到终点为止。P的作用是记录已求出最短路径的顶点(以及相应的最短路径长度)，而T则是记录还未求出最短路径的顶点(以及该顶点到起点V_0的距离)结果：[[A=0], [B=5], [C=3], [D=6], [E=7], [F=9]]step1：初始化：所有元素入优先级队列，如图3。更新邻居标号，如图5。更新邻居标号，如图7。
2021-11-02 10:36:28
1478
原创 Gurobi指示约束语法与大M法
>>是 Gurobi 中用于定义条件约束的关键操作符。它通过二元变量的取值动态激活/禁用约束，非常适合建模具有逻辑分支的优化问题（如你的库存平衡方程）。使用时需确保二元变量和约束的线性性符合要求。
2025-04-02 14:01:12
125
原创 第二次作业：分析型优化模型案例
购买一架飞机可以使用15年，但需要马上支付5000万美元。而同样租一架飞机使用15年，则需要以均匀货币流方式支付15年租金，年流量为600万美元。两种方案所支付的价值无法直接比较，必须将它们都化为同一时刻的价值才能比较。我们以当前价值为准。（从投资开始计算），使收益的现值等于初始投资。年，故航空公司在第5.6年收回投资。）开始产生均匀货币流，年流量。年之后在银行的存款额恰好是。初始投资100万元（现值，美元，按连续复利计算，年的租金在当前的价值为。
2025-03-17 11:54:10
519
原创 pip install和conda install的区别
Python依赖（dependencies）指的是某个 Python 项目运行所需的外部库或模块。这些依赖通常由pip从或其他包管理器（如 Conda）下载和安装。方式用途安装单个依赖pip list查看当前环境的依赖导出依赖从安装依赖venvpipenv解决版本冲突，管理独立环境推荐：始终使用虚拟环境来管理 Python 依赖，避免版本冲突！方式优点适用场景venvPython 内置，简单高效绝大多数项目virtualenv支持 Python 2 和独立环境需要支持 Python 2 的情况。
2025-03-15 22:38:32
2114
原创 Python反射机制与getattr方法
getattr是一个内置函数，用于动态获取对象的属性值。它的主要作用是根据属性名称（以字符串形式提供）从对象中提取对应的属性值。如果属性不存在，还可以通过可选参数指定默认返回值。是一个非常强大的工具，能够帮助开发者实现动态属性访问和方法调用，但在使用时需要注意代码的可读性和安全性。如果不提供默认值且属性不存在，会抛出异常，因此建议在不确定属性存在时始终提供默认值。动态访问属性可能导致代码难以调试，尤其是在属性名称拼写错误或逻辑复杂时。动态访问属性比直接访问属性稍慢，因此在性能敏感的场景下应谨慎使用。
2025-03-05 15:26:37
691
原创 Python动态生成函数执行字符串代码
动态生成函数是指将代码字符串编译为一个函数，然后像普通函数一样调用它。这种方式非常适合需要多次执行相同逻辑的场景，同时还可以灵活地传递参数。
2025-03-03 11:25:02
248
原创 模型报错infeasible，如何查看冲突约束
使用生成.ilp文件，查看最小不可行子系统。使用放松约束，找到需要调整的约束或变量。手动检查模型设置，确保变量和约束合理。查看日志和调试工具的输出，辅助诊断问题。通过这些方法，可以快速定位模型不可行的原因并修复问题。
2025-02-13 20:58:25
765
原创 基于RAG的知识库问答系统
结合语义检索与大语言模型技术，实现基于私有知识库的智能问答解决方案。采用两阶段处理架构，可快速定位相关文档并生成精准回答。
2025-02-02 18:06:32
406
原创 大模型提示工程
提示工程 (Prompt Engineering) 是一种设计和优化输入提示 (prompts) 的方法，旨在引导大型语言模型 (LLMs) 生成符合预期的高质量、有用的输出。由于 LLMs 的行为高度依赖于输入提示，因此有效的提示工程对于充分利用这些模型的潜力至关重要。提示工程的核心在于 理解模型的优势、局限性，并利用有效的提示策略来最大化模型的潜力，同时规避其缺陷。大型语言模型虽然强大，但它们本质上是基于概率分布的文本生成器，其行为受输入提示的强烈影响。好的提示能够引导模型朝着期望的方向生成内容。
2025-01-25 09:02:35
568
原创 使用coze搭建我的第一个AI Agent
AI Agent（人工智能代理）是指一种具备自主决策能力的软件程序或系统，能够在一定的环境中执行任务、作出决策，并根据预定目标采取行动。AI Agent 通常依赖于人工智能技术，如机器学习、自然语言处理和自动推理等，来感知周围环境、与人类或其他系统进行交互，进而解决特定问题或实现目标。
2025-01-23 23:17:07
1221
原创 基于Python+Gurobi的库存分配问题建模求解
库存分配问题（InventoryAllocationProblem）是供应链管理中的一个经典问题，主要研究如何将有限的库存资源合理地分配给多个需求点（如客户、零售商或分销中心），以优化某些目标（如最小化成本、最大化服务水平等）。只需关注。
2025-01-18 16:54:47
352
原创 基于大语言模型的组合优化
摘要：组合优化（Combinatorial Optimization, CO）对于提高工程应用的效率和性能至关重要。随着问题规模的增大和依赖关系的复杂化，找到最优解变得极具挑战性。在处理现实世界的工程问题时，基于纯数学推理的算法存在局限性，无法捕捉到优化所需的上下文细微差别。本研究探索了大型语言模型（Large Language Models, LLMs）在解决工程组合优化问题中的潜力，利用其推理能力和上下文知识。
2025-01-12 22:19:22
910
原创 使用ID3算法根据信息增益构建决策树
一样，这里选择election作为节点划分。election=no，stock price全为rise，为叶子节点。对数据集election=yes，设为。，其中oil price=fall，stock price全部为fall，则。step3：选择信息增益最大的特征为根节点，即oil price为根节点。，只有season特征，选择season作为划分特征，两子集都为纯。根据特征oil price=rise和fall，划分为。从特征election 和season中选择新的特征。step2：计算条件熵。
2024-12-25 12:11:10
1289
原创 集装箱码头堆场箱区布局
每个箱区（block）由多个贝位组成，每个贝位由若干栈组成，每个栈由若干层组成，由此可见，一个箱位是由贝位、栈位和层共同确定的，例如S141， 表示集装箱位于 1 贝 4 栈 1 层，即如下箱区布局图中，黑色方块所示。
2024-12-18 15:59:20
876
原创 使用PPT科研绘图导出PDF边缘留白问题解决方案
4、导出pdf成功（若有PPT中有多张幻灯片，则选中导出当前幻灯片）！3、自定义幻灯片大小为第1步中图片长度和宽度。1、查看已制作好的图片的大小，即长度和宽度。2、选择自定义幻灯片大小。
2024-12-05 18:21:36
1006
原创 RL+ITTRP
问题定义：实验设置：符号定义：目标函数：变量定义：限制条件：强化学习是一种通过不断试错和环境反馈来学习决策的机器学习方法。它强调的是如何在给定环境下做出最优决策，而不是简单地从数据中学习模式。通过设计合适的奖励函数，强化学习算法可以训练智能体在复杂的环境中执行特定的任务。强化学习被广泛应用于游戏、机器人控制、自动驾驶、资源管理等领域RL与其他机器学习技术的区别：智能体与环境的交互：智能体在离散时间步中从可用动作集合中选择动作。选择最佳动作会获得奖励，而选择不佳的动作可能会受到惩罚。奖励是对动作好坏的数值度量
2024-12-03 16:51:56
867
原创 Gurobi学术版+Anaconda安装步骤
step1：获得学术许可，点击网址进入https://support.gurobi.com/hc/en-us/articles/13210193318033-What-is-an-Academic-WLS-license，点击红框链接，用学校邮箱注册账号。注意：在anaconda虚拟环境中安装gurobi库是不需要在本地下载gurobi这个软件的，只需要。然后就得到了grbgetkey，记住这个key，后面会用到，至此学术许可申请成功。step2：激活某一虚拟环境step3：执行。step7：安装结束。
2024-11-13 21:43:24
1059
原创 数据降维与主成分分析
在实际问题研究中，多变量问题是经常会遇到的。变量太多，无疑会增加分析问题的难度与复杂性，而且在许多实际问题中，多个变量之间是具有一定的相关关系的。因此，人们会很自然地想到，能否在相关分析的基础上，用较少的新变量代替原来较多的旧变量，而且使这些较少的新变量尽可能多地保留原来变量所反映的信息？例如，某人要做一件上衣要测量很多尺寸，如身长、袖长、胸围、腰围、肩宽、肩厚等十几项指标，但某服装厂要生产一批新型服装绝不可能把尺寸的型号分得过多？实际生产中，只用M，L，XL等型号代替。
2024-10-23 19:13:06
761
原创 基于线性回归（Linear Regression）的房屋价格预测
线性回归是统计学中的一种基本预测模型，用于估计因变量（响应变量）和一个或多个自变量（解释变量）之间的关系。线性回归模型假设这些变量之间存在线性关系。根据自变量的数量，线性回归可以分为简单线性回归（一个自变量）和多元线性回归（多个自变量）。梯度下降是一种优化算法，用于最小化一个函数，通常用于机器学习中的参数优化问题。其核心思想是：通过迭代地调整参数，沿着目标函数（通常是损失函数）梯度下降的方向逐步逼近最小值。
2024-10-22 21:59:41
1102
原创 kaggle| 使用线性回归进行洪水预测
这个数据集包含了可能影响洪水风险的各种因素的信息。数据集包括几个特征，代表与环境、社会、基础设施和治理相关的因素，这些因素可能会影响洪水事件的可能性和严重程度。此外，它还包括一个目标变量“FloodProbability”，它可能表明在该地区不同地区发生洪水的可能性。
2024-10-21 10:21:17
1047
3
原创 基于Q学习的迷宫寻路问题
定义了智能体可以执行的动作集合，在这个迷宫问题中，动作包括向上、向下、向左、向右移动，分别用数字 0、1、2、3 表示。
2024-10-18 20:25:57
396
原创 基于强化学习的多码头集卡路径优化
第一个文件的训练过程消耗了最长的训练时间，大约运行了119小时，而剩余文件的训练过程平均只需要40分钟。这种现象发生的原因是，在第一个文件的前750个回合中，DQN从头开始构建学习模型，而接下来的训练过程则利用了之前训练过程中训练好的模型。在ITTRP中，智能体的最终目标是找到一条最优的集卡路径，该路径使集卡的总成本最小（travel cost、空驶成本empty truck trip cost和惩罚成本）。等待，设置较小的奖励为0.01，这是合理的，同时避免智能体认为该动作是最佳动作，防止多次选择。
2024-10-18 20:11:28
690
C:\Users\pengkangzhen\Documents\WeChat Files\wxid-k2c7i8tc5u7v22
2024-07-17
top K最短路径问题（K Shortest Path Routing）K最短路径算法与应用分析.pdf
2023-12-22
基于蚁群算法的动态VRP问题离线误差计算
2023-09-09
基于粒子群算法的无约束优化问题求解（Java）
2023-07-01
基于NSGA-II算法的多目标多旅行商问题建模求解（Java）
2023-06-27
自适应遗传算法求解旅行商问题（Java代码）
2023-04-15
基于遗传算法的CVRP建模求解-Python代码
2023-03-10
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人