算法详解（卷1）——算法基础

帝国主义竞争算法Matlab源码，基本每行都有中文注释

matlab 实现帝国竞争算法，帝国竞争算法受帝国主义殖民竞争机制的启发，Atashpaz-Gargari和Lucas于2007年提出了一种新的智能优化算法—帝国竞争算法 (ICA)。与GA, PSO, ABC等受生物行为启发的群智能算法不同，ICA受...

帝国竞争算法论文

英文版，帝国竞争算法,又称为殖民地竞争算法(CCA),是基于帝国主义殖民竞争机制的新优化算法,由Esmaei受帝国主义殖民竞争历史现实的启发而提出了一种新的优化算法

帝国竞争算法python版_ICA_python_帝国竞争算法_

帝国竞争算法（imperialist competitive algorithm，ICA）是一种基于帝国主义殖民竞争机制的进化算法，属于社会启发的随机优化搜索方法。目前，ICA已被成功应用于多种优化问题中，如调度问题、分类问题和机械设计...

帝国主义竞争算法

帝国主义竞争算法

智能优化算法：帝国主义竞争算法.

分享了帝国主义竞争算法源代码及其原文，亲测有效，更多算法可进入空间查看

帝国竞争算法ICA的matlab实现

根据Atashpaz-Gargari和Lucas在2007年发表的文章an algorithm for optimization inspired by imperialistic competition制作，内附原文及代码。

matlab开发-帝国主义竞争算法

matlab开发-帝国主义竞争算法。最近引进的优化策略代码，帝国主义竞争算法（ICA）。

帝国竞争算法.rar_优化算法_优化问题_帝国竞争_帝国算法_新型算法

帝国竞争算法是一种新型算法，可用于求解最优化问题。类似遗传和粒子群算法！

帝国竞争算法ICA的matlab实现.zip

帝国竞争算法ICA的matlab实现，包括源代码和参考资料。

帝国竞争算法，ICA。matlab实现程序

殖民竞争算法代码（CCA）也被称为帝国主义的竞争算法（ICA），这是其在matlab中的实现。

帝国竞争算法

帝国主义竞争算法的原文档，需要的同志自己下载~

帝国竞争算法源代码

matlab 实现帝国竞争算法，帝国竞争算法受帝国主义殖民竞争机制的启发，Atashpaz-Gargari和Lucas于2007年提出了一种新的智能优化算法—帝国竞争算法 (ICA)。与GA, PSO, ABC等受生物行为启发的群智能算法不同，ICA受...

基于粒子群算法PSO、帝国殖民算法ICA 和萤火虫算法 FA 求解最小生成树附matlab代码.zip.zip

2.领域：智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab仿真，更多内容可点击博主头像 3.内容：标题所示，对于介绍可点击主页搜索博客 4.适合人群：本科，硕士...

Ica.zip_ICA_ICA TSP_ICA 改进_帝国算法_帝国算法-tsp

采用改进的帝国算法很好的解决了tsp问题

ICA_Algorithm_帝国竞争算法_算法_帝国竞争_ICA_ICAMATLAB.zip

ICA_Algorithm_帝国竞争算法_算法_帝国竞争_ICA_ICAMATLAB.zip

基于萤火虫算法改进的帝国竞争算法多目标优化，帝国竞争算法求解多目标函数组合最小值，代码有注释

基于MATLAB编程的萤火虫优化帝国竞争算法，利用萤火虫的更新公式对帝国竞争的算法的更新公式进行更新，兼有帝国竞争和萤火虫的特点，算法可以多多目标函数进行权重组合优化，求解目标函数的最小值，代码注释详细，...

帝国竞争算法求解CVRP

针对带容量约束的车辆路径问题（CVRP），提出了一种带分裂机制的帝国竞争算法进行求解。首先，结合CVRP的特性，采用基于贪婪准则的编解码策略实现算法空间到解空间的转换。其次，提出帝国分裂策略来增强算法的全局...

【优化算法】帝国主义竞争优化算法（ICA）【含Matlab源码 1635期】.zip

完整代码，可直接运行

ICA_Algorithm_帝国竞争算法_算法_帝国竞争_ICA_ICAMATLAB_源码.rar.rar

ICA_Algorithm_帝国竞争算法_算法_帝国竞争_ICA_ICAMATLAB_源码.rar.rar

ChatGPT教程（终极版）最全整理

这是一篇动了某些人利益的良心教程。 这是一篇姗姗来迟的ChatGPT教程。 纯小白关于ChatGPT入门，你看我这篇文章就够了。 如果你已经用上了ChatGPT，更要恭喜你挖到宝藏，后面的高级技巧一定能让你有收获。 文章包含以下内容： 一、ChatGPT是啥？有什么用； 二、ChatGPT如何注册； 三、ChatGPT使用方法； 四、用ChatGPT搞钱； 五、高级技巧；

Neural Networks from Scratch in Python学习资料

Neural Networks from Scratch in Python的学习材料，PDF版本，机器学习入门必学，全英文版本

博客中Kmeans以及FCM算法数据（免积分）

博客中Kmeans以及FCM算法的数据，包括IRIS鸢尾花数据集、Wine葡萄酒数据集、Seed小麦种子数据集、glass数据集、WDBD乳腺癌数据集，下载在直接存入项目文件夹即可，如果下载不了，可以私信我，看到后会及时回复。

hugging face的models-openai-clip-vit-large-patch14文件夹

用于无法访问hugging face并需要运行stable-diffusion-webui时使用

神经网络回归预测--气温数据集

神经网络回归预测--气温数据集

XGBoost+LightGBM+LSTM-光伏发电量预测

包含比赛代码、数据、训练后的神经网络模型等。 在分析光伏发电原理的基础上，论证了辐照度、光伏板工作温度等影响光伏输出功率的因素，通过实时监测的光伏板运行状态参数和气象参数建立预测模型，预估光伏电站瞬时发电量，根据光伏电站DCS系统提供的实际发电量数据进行对比分析，验证模型的实际应用价值。 1 数据探索与数据预处理 1.1 赛题回顾 1.2 数据探索性分析与异常值处理 1.3 相关性分析 2 特征工程 2.1 光伏发电领域特征 2.2 高阶环境特征 3 模型构建与调试 3.1 预测模型整体结构 3.2 基于LightGBM与XGBoost的构建与调试 3.3 基于LSTM的模型构建与调试 3.4 模型融合与总结 4 总结与展望 参考文献

Mathwork+Matlab+编程手册

Introduction to Programming with MATLAB ~ Vanderbilt University

Stable-Diffusion WEBUI 简体中文语言包（2023.05.30更新）

AI绘图，Stable-Diffusion WEBUI，本地化（简体中文）语言文件。 原始文件来自翻译插件，根据自己实际使用情况，增加和修改了一些翻译。 配合【双语插件】看上去要自然一点，内容还在继续完善中。 本次增加了一些翻译内容，特别是插件。 同时继续合并了其它翻译插件的内容。 最近文字提示修改得有点多啊。 请放入“你的SDWebUI项目位置/localizations/”中。 中文翻译部分删掉了不少括起来的英文原文，所以别直接选它用。 请配合【Bilingual Localization】插件使用，双语同时显示，效果最好。

中文短信数据集-带标签

本数据集可用于进行文本分类、信息检索等自然语言处理实验，共包含80万条短信。其中：原始数据集data.txt每行为1条短信，格式为“标签\t短信内容”，标签=0表示正常短信，标签=1表示垃圾短信。train.csv和test.csv为拆分后的训练集与测试集，拆分代码为train_test_split.py。stopwords.txt为使用的停用词。 基于该数据集的文本分类详见文章https://blog.csdn.net/baidu_40395808/article/details/135793836，基于该数据集的信息检索详见文章https://blog.csdn.net/baidu_40395808/article/details/135897480。 示例如下： 0 商业秘密的秘密性那是维系其商业价值和垄断地位的前提条件之一 1 《依林美容》三．八．女人节倾情大放送活动开始啦！！！！超值套餐等你拿，活动时间x月x日一x月xx日， 详情进店咨询。美丽热线x

时间序列预测模型实战案例(Xgboost)(Python)(机器学习)包括时间序列预测和时间序列分类，点击即可运行！

内容概要 资源包括三部分(时间序列预测部分和时间序列分类部分和所需的测试数据集全部包含在内) 在本次实战案例中，我们将使用Xgboost算法进行时间序列预测。Xgboost是一种强大的梯度提升树算法，适用于各种机器学习任务，它最初主要用于解决分类问题，在此基础上也可以应用于时间序列预测。 时间序列预测是通过分析过去的数据模式来预测未来的数值趋势。它在许多领域中都有广泛的应用，包括金融、天气预报、股票市场等。我们将使用Python编程语言来实现这个案例。 其中包括模型训练部分和保存部分，可以将模型保存到本地，一旦我们完成了模型的训练，我们可以使用它来进行预测。我们将选择合适的输入特征，并根据模型的预测结果来生成未来的数值序列。最后，我们会将预测结果与实际观测值进行对比，评估模型的准确性和性能。 适合人群：时间序列预测的学习者,机器学习的学习者， 能学到什么：本模型能够让你对机器学习和时间序列预测有一个清楚的了解，其中还包括数据分析部分和特征工程的代码操作 阅读建议：大家可以仔细阅读代码部分，其中包括每一步的注释帮助读者进行理解，其中涉及到的知识有数据分析部分和特征工程的代码操作。