智能优化算法————粒子群优化算法（C++）
粒子群优化算法源于对一个简化鸟群的模拟。算法中的每个粒子可视为N维搜索空间中的一个搜索个体，粒子有两个属性：速度和位置。粒子的当前位置即为对应优化问题的一个候选解，粒子的飞行过程即为该个体的搜索过程。粒子的飞行速度可根据粒子历史最优位置和种群历史最优位置进行动态调整。飞行速度和位置的更新公式如下。 其中w为惯性系数，C1为个体经验系数，C2为社会经验系数。为每个粒子单独搜寻的最优解，即个体极值，为粒子群中最优的个体极值，即当前的全局最优解。算法通过不断迭代，更新速度和位置。最终得到满足终止条件
零基础Python学习路线图，Python初学者必须要了解，让你少走弯路
近几年Python的受欢迎程度可谓是扶摇直上，当然了学习的人也是愈来愈多。一些学习Python的小白在学习初期，总希望能够得到一份Python学习路线图，小编经过多方汇总为大家汇总了一份Python学习路线图。 对于一个零基础的想学习python的朋友来说，学习方法很重要， 学习方法不对努力白费 一定要有一个正确的学习线路与方法 推荐下小编的Python学习群；629440234，不管你是小白还是大牛，小编我都欢迎，不定期分享干货，包括小编自己整理的一份2019最新的Python和0基础入门教
为什么说Python是最值得学习的编程语言
「人生苦短， 我用 Python 」 不知道从什么时候开始，这句话开始流行。不过也从侧面反映出 Python 语言的特点：简单、高效。 其实近期我研究了不少代表技术趋势的业界报告以及编程语言排行榜，对于我来说，编程语言这一块，最值得学习的就是 Python。 那么Python到底是什么？ Python发展前景好么？ Python就业岗位有哪些？ 为什么要去学习Python？ ... ... 推荐下小编的Python学习群；629440234，不管你是小白还是大牛，小编我都欢迎，不定期分享干货，
MATLAB初级命令总结
功能键 功能键 快捷键 说明 方向上键 Ctrl+P 返回前一行输入 方向下键 Ctrl+N 返回下一行输入 方向左键 Ctrl+B 光标向后移一个字符 方向右键 Ctrl+F 光标向前移一个字符 Ctrl+方向右键 Ctrl+R 光标向右移一个字符 Ctrl+方向左键 Ctrl+L 光标向左移一个字符 home Ctrl+A 光标移到行首 End Ctrl+E 光标移到行尾 Esc Ctrl+U 清除一行 Del Ctrl+D 清除光标所在的字符 Backspace Ctrl+H 删除光标前
springmvc学习笔记一简介、helloworld搭建、方法入参注解
HELLOWORLD搭建： ** web.xml （ 配置 DispatcherServlet） ** <servlet>
<servlet-name>dispatcherServlet</servlet-name>
<servlet-class>org.springframework.web.servlet.DispatcherServlet</servlet-class>
<!-- 配置 DispatcherServlet 的一个初始化参数: 配置 SpringMVC 配置文件的位置
数据挖掘资料———Weka平台入门
Weka是来之新西兰怀卡托大学的一款用于数据挖掘的开源软件，主要是数据挖掘方面的一些算法的集合，是一个非常好的开源框架。语言采用Java，可以与eclipse配合使用。 weka官网：https://www.cs.waikato.ac.nz/ml/weka/ weka的安装与入门：慕课第14章 共两个视频。 https://www.icourse163.org/learn/CUG-1003556007?tid=1206100265#/learn/content?type=detail&id=1
强化学习总结（1）———Q Learning
本系列博客对莫烦视频（https://morvanzhou.github.io/）的知识点进行总结。 强化学习基础概念 强化学习的过程中会进行多次迭代，每次迭代都会进行上图的操作。也就是Agent（智能体）根据现在的状态做出一个自认为最好的动作，然后环境根据这个动作给他返回一个奖赏和新的状态。之后不断循环这个过程直到智能体对环境充分熟悉，保证每次都能做出正确的动作，这就是强化学习的基本模型。 Q Learning Q-Learning是强化学习算法中value_based的算法，该算法中，Q即
【Unity】Shader
Mesh Renderer The Mesh Renderer takes the geometry from the Mesh Filter and renders it at the position defined by the object’s Transform component. 网格渲染器从网格过滤器中获取几何图形，然后把它们渲染到这些物体transform组件中定义的位置上去。 （Mesh Filter 获取 geometry， transform 获取 position，
机器学习总结———Logistic回归
本文章转自https://www.cnblogs.com/itmorn/p/7890468.html 目录 一元线性回归、多元线性回归、Logistic回归、广义线性回归、非线性回归的关系 什么是极大似然估计 逻辑斯谛回归(Logistic回归) 多类分类Logistic回归 Python代码(sklearn库) 一元线性回归、多元线性回归、逻辑斯谛回归、广义线性回归、非线性回归的关系 通过上图（插图摘自周志华《机器学习》及互联网）可以看出： 线性模型虽简单，却
springmvc学习笔记二REST风格的URL
** web.xml 配置 org.springframework.web.filter.HiddenHttpMethodFilter: 可以把 POST 请求转为 DELETE 或 POST 请求 ** <filter>
<filter-name>HiddenHttpMethodFilter</filter-name>
<filter-class>org.springframework.web.filter.HiddenHttpMethodFilter</filter-class>
</
强化学习总结（2）———DQN
上一篇总结了Q-Learning算法 https://blog.csdn.net/qq_37553152/article/details/88830319 Q-Learning算法对于一些小问题非常实用，但是遇到复杂的问题，状态数变多，就会遇到效率低、受数据关联性影响等问题。 于是DQN出现了，它在Q-Learning算法上做了修改，用神经网络代替了Q-learning中的Q表，其输入为状态，输出每个动作的Q值。 DQN算法之所以著名，其中起到重要作用的有两点，一是使用深度卷积神经网络逼近值函
【《Unity Shader 入门精要》提炼总结】（一）开篇 · 为什么写这个提炼总结
费曼学习法 把输入转化为输出，促进吸收。提升基本能力 提升自己的能力和价值，才是王道 主要是开篇占坑，后面来填平
springmvc学习笔记三前后台交互方式总结
** JSP ** < form action=“springmvc/testPojo” method=“post”> username: < input type=“text” name=“username”/> password: <input type="password" name="password"/>
<br>
email: <input type="text" name="email"/>
<br>
age: <input type="text" name="age"
【《Unity Shader 入门精要》提炼总结】（二）第二章 · 渲染流水线
本章概括 TODO 渲染流水线的三个阶段： 1.应用阶段（Application Stage） 2.几何阶段（Geometry Stage） 3.光栅化阶段（Rasterizer Stage） · 应用阶段（CPU） 最重要的输出是渲染所需的几何信息，即渲染图元（rendering primitives） 我们需要处理3个主要任务： （1）场景数据（摄像机位置、视锥体、模型、光源等等） （2）粗粒度剔除 （3）设置每个模型的渲染状态。（渲染状态是什么见下面的叙述） · 几何阶段（GPU） 和每
【备忘】《Unity Shader入门精要》随书彩色插图
转载来源：http://www.manew.com/blog-194008-42590.html 《Unity Shader入门精要》随书彩色插图 《Unity Shader入门精要》随书彩色插图 说明：本页面是书籍《Unity Shader入门精要》的随书彩图集锦，包含了书中所有的插图，使用时可通过图片编号进行搜索。 作者：冯乐乐 邮箱：[email protected] 前言 第2章 渲染流水线 图2.1 真实生活中的流水线 图2.2 渲染流水线中的三个概念阶段 图2.3 渲染所
springmvc学习笔记四视图
<fmt:message key="i18n.username"></fmt:message>
< !-- 配置直接转发的页面 --> < !-- 可以直接相应转发的页面, 而无需再经过 Handler 的方法. --> <mvc:view-controller path="/success" view-name=“success”/> < !-- 在实际开发中通常都需配置 mvc:annotation-driven 标签 --> mvc:annotation-driven</mvc:ann
强化学习总结（3）———Dueling-DQN
上一篇总结了我对DQN的理解 https://blog.csdn.net/qq_37553152/article/details/90812273 Dueling-DQN是对传统DQN的一种改进算法，它的核心思路是优化神经网络的结构。在传统DQN算法中，根据神经网络的输出确定每个动作Q值，然后选出最优的动作，其神经网络的大概模型如下图。 在Dueling-DQN中，对网络的输出层（图2-5中的红色部分）进行了改进，将其分为了两个部分。如下图所示。 如上图所示，在一般的DQN网络模型中，输入层接
双视图特征点匹配———使用RANSAC法剔除误差点
本文使用SIFT算法得到两张图的初始特征匹配集合，然后着重总结如何使用基于8点法的RANSAC法将匹配集合中的误差点（外点）剔除。 基础矩阵介绍 进行8点法之前首先需要知道基础矩阵的定义。 如图1-1所示，沿着空间点X和相机中心点之间的连线，可以在图像上找到对应的点x。那么，在空间中与成像平面上的位置x对应的场景点可以位于这条线上的所有位置。这说明如果要根据图像中的一个点找到另一幅图像中对应的点，就需要在第二个成像平面上沿着这条线的投影搜索，这条线成为对极线，就是图中的l'。所有的对极线都通过
RSA算法的详细设计（C++）及不同优化策略的比较
本篇文章总结了我对RSA算法的理解和设计，并在后文对优化运行效率的方法做了对比分析。 一、RSA算法简介 密码学是研究如何隐密地传递信息的学科，它被认为是数学和计算机科学的分支，和信息论也密切相关。在很久之前的传统密码学中，使用的都是对称加密算法，即使用的密钥只有一个，发收信双方都使用这个密钥对数据进行加密和解密。而现在使用的多为非对称加密算法。 RSA算法是一种著名的非对称加密算法，所谓非对称加密就是说用来加密的密钥和用来解密的密钥是不同的。用来加密的为公钥，是公共的数据，而负责解密的为私钥
今日推荐
周排行