首页 > TAG信息列表 > xnew
读书报告
numpy: np.array是构造一个相同的一维数组 ndim是输出a 是一个几维数组 size是输出数组中元素数量 dtype是输出元素类型 shape会输出数组结构,例如2*2这种 ravel使b转变为一维数组 np.zero(4)是构造一个一维数组,用零填充 np.zeros((2,2))是构造一个二维数组,用零填充 np.o【优化求解】基于哈里斯鹰算法求解多目标最优matlab代码
1 简介 哈里斯鹰优化算法是一种模拟鹰的捕食行为的仿生算法,主要由 3 部分组成: 探索阶段、探索到开发的过渡阶段和开发阶段。 2 部分代码 % function xnew=Mutate(x,pm,VarMin,VarMax) nVar=numel(x); j=randi([1 nVar]); dx=pm*(VarMax-VarMin);【车间调度】基于模拟退火算法求解车间调度问题matlab源码
一、简介 1 模拟退火算法的应用背景 模拟退火算法提出于1982年。Kirkpatrick等人首先意识到固体退火过程与优化问题之间存在着类似性;Metropolis等人对固体在恒定温度下达到热平衡过程的模拟也给他们以启迪。通过把Metropolis 算法引入到优化过程中,最终得到一种对 Metropolis 算法Keras之DNN:基于Keras(sigmoid+linear+mse+predict)利用DNN实现回归预测——DIY多分类数据集&预测新数据点
Keras之DNN:基于Keras(sigmoid+linear+mse+predict)利用DNN实现回归预测——DIY多分类数据集&预测新数据点 目录 输出结果 实现代码 输出结果 实现代码 # coding:utf-8 Xa=[] Xb=[] for i in range(0,len(X)): Xa.append(X[i][0]) Xb.append(X[i][Keras之DNN:基于Keras(sigmoid+binary_crossentropy+predict_proba)利用DNN实现分类预测概率——DIY二分类数据集&预测新数据点
#Keras之DNN:基于Keras(sigmoid+binary_crossentropy+predict_proba)利用DNN实现分类预测概率——DIY二分类数据集&预测新数据点 目录 输出结果 实现代码 输出结果 实现代码 # coding:utf-8 #Keras之DNN:基于Keras(sigmoid+binary_crossentropy+predict_proba)利Keras之DNN::基于Keras(sigmoid+binary_crossentropy+predict_classes)利用DNN实现二分类——DIY二分类数据集&预测新数据点
Keras之DNN::基于Keras(sigmoid+binary_crossentropy+predict_classes)利用DNN实现二分类——DIY二分类数据集&预测新数据点 目录 输出结果 实现代码 输出结果 实现代码 # coding:utf-8 #Keras之DNN::基于Keras(sigmoid+binary_crossentropy+predict_classe插值计算
# -*-coding:utf-8 -*-# -*-soc-OCV曲线插值计算 -*-import numpy as npfrom scipy import interpolateimport pylab as plimport pandas as pdimport xlrdimport xlwings as xwFilename = input('输入文件名,且在程序同一文件夹下: >> ')df=pd.read_excel(Filename+'.xlsx