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
300+累计阅读
362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
基于狼群算法的路径规划——Matlab源码
路径规划是计算机科学和人工智能领域的重要问题之一。狼群算法（Wolf Pack Algorithm）是一种受到自然界灵感启发的优化算法，它模拟了狼群在捕食过程中的行为，用于解决优化问题。本文将介绍如何使用狼群算法实现路径规划，并提供相应的Matlab源码。
在路径规划问题中，我们希望找到从起始点到目标点的最佳路径。这个问题在许多领域中都有应用，如机器人导航、无人机路径规划等。狼群算法通过模拟狼群中狼的行为来解决路径规划问题。
首先，我们需要定义问题的目标函数。在路径规划中，目标函数通常表示路径的质量，如路径的长度或代价。在本例中，我们将使用路径的长度作为目标函数。
接下来，我们需要定义狼群算法的基本步骤。狼群算法包括初始化、更新狼的位置、评估狼的适应度、选择领导者狼和跟随者狼、更新狼的位置等步骤。下面是使用Matlab实现狼群算法的源码：
% 初始化狼群
function Wolves = InitializeWolves(num_wolves, num_dimensions,【WPA三维路径规划】狼群算法无人机三维路径规划【含Matlab源码 167期】
0 引言随着现代技术的发展，飞行器种类不断变多，应用也日趋专一化、完善化，如专门用作植保的大疆PS-X625无人机，用作街景拍摄与监控巡察的宝鸡行翼航空科技的X8无人机，以及用作水下救援的白鲨MIX水下无人机等，决定飞行器性能主要是内部的飞控系统和外部的路径规划问题。就路径问题而言，在具体实施任务时仅靠操作员手中的遥控器控制无人飞行器执行相应的工作，可能会对操作员心理以及技术提出极高的要求，为了避免个人操作失误，进而造成飞行器损坏的危险，一种解决问题的方法就是对飞行器进行航迹规划。
【三维路径规划】狼群算法无人机三维路径规划【含Matlab源码 2643期】
狼群算法无人机三维路径规划 完整的代码，方可运行；可提供运行操作视频！适合小白！
基于狼群算法的车辆路径规划问题求解（附带Matlab源码）
车辆路径规划是指在给定一组车辆和一系列待访问位置的情况下，找到最优的路径方案，以使得车辆能够在满足各种约束条件的前提下，高效地完成任务。每个位置都有一个特定的时间窗，表示该位置的访问时间范围。然后，通过迭代优化的方式，不断更新狼群的位置，直到达到最大迭代次数。在每次迭代中，我们根据当前的狼群位置计算适应度值，并根据一定的策略更新车辆的位置。在每次迭代中，根据适应度值选择领导狼，然后通过一定的更新策略更新其他狼的位置。需要注意的是，以上提供的源码仅为示例，实际应用中可能需要根据具体问题进行适当的修改和扩展。
无人机集群路径规划中多种灰狼优化算法的Matlab仿真与实现
内容概要：本文介绍了一种基于多种灰狼优化算法的无人机集群路径规划系统，通过Matlab仿真平台实现2D与3D轨迹规划。系统以main.m为主程序，结合UAV_SetUp.m参数设置模块和ObjFunc.m目标函数配置，支持三种灰狼优化变种算法的选择与自定义仿真环境构建，重点解决多无人机协同路径规划中的优化问题。 适合人群：具备Matlab编程基础，从事智能优化算法、无人机路径规划或群体智能研究的科研人员及工程技术人员。 使用场景及目标：①研究灰狼优化算法在复杂空间中无人机集群路径规划的应用；②对比不同变种灰狼算法在轨迹优化中的性能表现；③通过调整目标函数权重实现多目标优化（如路径长度、能耗、避障等）。 阅读建议：运行程序时需耐心等待，建议结合UAV_SetUp.m中的参数说明进行环境配置，并在ObjFunc.m中根据任务需求调整权重，以获得更优的规划结果。
基本狼群算法程序Matlab
处理二维问题的狼群算法代码，狼群算法是启发式算法的一种，具有优越的全局搜索性。
狼群算法,狼群算法和灰狼算法,matlab
狼群算法matlab代码，经典的狼群算法matlab实现附有注释
有限元缺陷：剪切锁死
有限元缺陷：剪切锁死
Python实战：用SkillMetrics库5分钟搞定泰勒图绘制（附完整代码）
本文详细介绍了如何使用Python的SkillMetrics库快速绘制专业泰勒图，以直观对比多个模型的预测性能。通过整合相关系数、标准差和中心化均方根误差三个核心指标，该工具能帮助数据科学家和研究者高效完成模型评估与可视化，提升分析报告质量。文章提供了从环境配置、数据准备到高级定制与子图对比的完整代码示例。
Unsloth Desktop 本地大模型微调量化实战指南
大语言模型的本地化定制正在成为开发者与内容创作者的重要需求，而微调与量化则是其中最关键的两项技术。LoRA 与 QLoRA 通过仅训练少量低秩矩阵，大幅降低显存占用和训练成本，让消费级 GPU 也能完成模型适配；GGUF 格式则打通了训练与推理的边界，使微调后的模型可直接接入 Ollama、llama.cpp 等主流推理引擎。本文以 Unsloth Desktop 为切入对象，从其底层加速原理出发，梳理了环境准备、模型加载、对话测试、量化导出、微调验证及 API 批量调用的完整链路，并针对显存优化、端口冲突
疾病负担研究（GBD）介绍
今天我们来聊一聊第一个公共数据库——GBD数据库，全称叫做global burden of disease（全球疾病负担），该数据库每年都会更新，目前已经更新到GBD2019。 这里直接给大家贴出网址：Global Burden of Disease Study 2019 (GBD 2019) Data Resources | GHDx 上图中红色圈圈标识的就是数据库的数据获取界面的链接，大家直接点击即可. 数据的检索十分方便： Context下拉菜单中可以选择不同的选项，默认是caus
Vivado图形化界面烧写MCS文件到SPI FLASH全流程（附常见报错解决方案）
本文详细介绍了使用Vivado图形化界面将MCS文件烧录至SPI FLASH的完整操作流程。内容涵盖从环境准备、MCS文件生成到硬件连接与烧写的每一步，并针对SPI总线宽度报错、FLASH型号识别失败等常见问题提供了深度解决方案，帮助用户高效完成FPGA配置，摆脱对TCL命令行的依赖。
分子动力学仿真软件：LAMMPS_（16）.应用案例分析
通过以上四个应用案例，我们详细介绍了如何使用LAMMPS进行不同系统的分子动力学仿真。从简单的液体水仿真到复杂的纳米管仿真，每个案例都包含了详细的步骤说明和代码示例。读者可以通过这些示例实际操作并验证结果，从而更好地理解LAMMPS的功能和使用方法。希望这些案例能够为读者在分子动力学仿真领域的研究和应用提供帮助。
【OpenCV C++】基本绘图操作
OpenCV C++基本绘图操作程序说明代码运行效果 程序说明 // 程序描述：OpenCV C++基本绘图操作 //参 考：毛星云《OpenCV3编程入门》 // 操作系统： Windows 10 64bit // 开发语言： C++ // IDE 版 本：Visual Studio 2019 // OpenCV版本：4.20 代码 main函数写法很简单，先创建空表Mat图像，然后点用函数绘制化学原子图，接着绘制组合图，最后显示图像。 //-------------------------
nvidia jetson orin调试 MAX96712 serdes相机（SG2-AR0233C-GMSL2）
背景：想了解一下关于nvidia orin camera相关的模块，基于Drive Orin demo板的话，没有合适的相机，用 nvsipl框架点亮 GMSL相机不知如何下手，那么基于nvidia Jetson orin的话，目前国内有对应的转接板以及GMSL相机可以参考，基于此，那么本文详细记录一下关于nvidia orin的相关踩坑记录；需要Nvidia Jetson Orin开发板一个，MIPI转接板一个，MIPI转GMSL转接板一个，GMSL线束（fakra单线束），GMSL摄像头一个。
RU DOS版、EFI版32bit/64bit BIOS常用工具
DOS版、EFI版的RU工具，可用来查看IO、MEM、PCI、SMBIOS等资源。亲测在EFI SHELL下可用。
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")
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...
NTscan扫描工具
ntscan是一个扫描器，可以扫描没有密码和弱密码的共享，先到配置文件中填写猜测的用户名和密码，扫描过程中右侧出现的是扫描日志。
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
订阅专栏 解锁全文
274
扫一扫
