搜索资源列表
代码
- 隐Markov模型(简称为HMM)是在Markov模型的基础上发展而来的。由于实际问题比Markov模型所描述的问题更为复杂，观测到事件并不是与状态一一对应，而是通过一组观测概率分布相联系，这样的模型称为HMM。它是一个双重随机过程，其中之一是Markov链，这是一个基本的随机过程，描述状态之间的转移。另一个随机过程描述状态和观测变量之间的统计对应关系，这样，站在观察者的角度，只能看到观察值，不象Markov模型中的观测值和状态一一对应
5372323
- 对模糊变量进行随机化,并用高斯分布进行概率求解,无密码(To randomization of fuzzy variables, and probability to solve with the gaussian distribution, no password)
MISRA-C-2004_工业标准的C编程规范_中文版
- 规则都是针对的是C语言本身缺陷或容易被误解的点，如：自动变量如果不初始化就使用会出现随机值、不同类型数据赋值容易出现的隐式转换；没有包含诸如注释、变量名、编码格式等统一编程风格的内容。(The rules are for the C language itself is defective or misunderstood, such as: if you do not use the automatic variable initia
用MATLAB实现遗传算法程序.pdf
- 遗传算法的基本步骤如下： 1）在一定编码方案下，随机产生一个初始种群； 2）用相应的解码方法，将编码后的个体转换成问 题空间的决策变量，并求得个体的适应值； 3）按照个体适应值的大小，从种群中选出适应值 较大的一些个体构成交配池； 4）由交叉和变异这两个遗传算子对交配池中的 个体进行操作，并形成新一代的种群； 5）反复执行步骤2-4，直至满足收敛判据为止。(The basic steps of the genetic a
Whitman
- 随机的变量名生成。一般在开发的时候，经常需要去想一个变量名，这是一个随机生成多少个词，自动复制(The software that can help to make a value name can make a random name and it can auto copy.)
OpenSSL随机数
- Openssl维护一个内部随机状态数据(md_rand.c中定义的全局变量state和md)，通过对这些内部数据计算摘要来生成随机数。(Openssl maintains an internal state of random data (global variables state and MD defined in md_rand.c), through the calculation of the internal data of
prffiler
- x——双精度实型一维数组,长度为n,存放随机序列, n--整型变量,随机序列的长度, p--整型变量,AR模型的阶数, a--双()
estimation
- 用的是estimation加权最小二乘法状态估计法, 主要思想： 1、建立一个生成zdatas.m的函数，函数中先调用潮流计算； 2、电压幅值结果在潮流结果的bus变量中；节点注入功率量测取PQ节点负荷值的相反数；传输功量测取branch中的传输功率值。 3、对上一步提到的量测值随机添加白噪声； 4、视算例所要分析的问题，确实是否设置坏数据，若是，则设置； 5、将添加白噪声和坏数据后的量测输出到zdatas.m文件中。(The
00278238
- x——双精度实型一维数组,长度为n,存放随机序列, n--整型变量,随机序列的长度, p--整型变量,AR模型的阶数, a--双()
Pi
- 运用蒙特卡洛方法计算π，多线程计算。创建几个线程，每个线程都会生成随机点并确定点是否落在圆圈内。 每个线程都必须更新圈内所有点的全局计数。 一旦所有线程退出，父线程将计算并输出π的估计值。 使用互斥锁或信号量保护共享全局变量更新时的竞争条件。 值得尝试生成的随机点的数量。 作为一般规则，点的数量越大，近似值越接近π。(Estimating Pi using Monte Carlo)
SCA：用于解决优化问题的正弦余弦算法
- 用于求解单目标优化问题的正弦余弦算法。 SCA创建多个初始随机候选解决方案，并要求它们使用基于正弦和余弦函数的数学模型向外波动或朝向最佳解决方案。几个随机和自适应变量也被集成到该算法中，以强调在不同的优化里程碑中探索和利用搜索空间。 压缩包包括：发表的论文、优化算法代码、优化工具箱。(Sine-cosine algorithm for solving single objective optimization problems. S
chapter7
- 模拟退火算法来源于固体退火原理，将固体加温至充分高，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，而徐徐冷却时粒子渐趋有序，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。根据Metropolis准则，粒子在温度T时趋于平衡的概率为e(-ΔE/(kT))，其中E为温度T时的内能，ΔE为其改变量，k为Boltzmann常数。用固体退火模拟组合优化问题，将内能E模拟为目标函数值f，温度T演化成控制参数t，即得到