群体智能（SI）源于对以蚂蚁、蜜蜂等为代表的社会性昆虫的群体行为的研究，群居性生物通过协作表现出的宏观智能行为特征。群体智能算法有粒子群优化算法(PSO)、蚁群优化算法(ACO)、人工蜂群优化算法(ABC)、差分进化算法(DE)、引力搜索算法(GSA)、萤火虫算法(FA)、蝙蝠算法(BA)、布谷鸟优化算法(COA)、灰狼优化算法(GWO)、鲸鱼优化算法(WOA)和Salp群算法(SSA)等等
粒子群优化是一种强大的基于群体智能的优化方法，这种优化方法的灵感来自于鸟类和鱼类的集体行为，最近已被大量研究用于优化最终特征子集的选择。
| 改进方式 | 目标数 | 目的 | 应用场景 |
|---|---|---|---|
| 将wrapper PSO和粗糙集理论相结合 | 单目标 | 提高疾病诊断的分类精度 | 医学应用 |
| 粒子群优化方法与支持向量机相结合 | 单目标 | 提高了特征选择的性能 | 数值型 |
| 将PSO-SVM与分布式并行架构相结合 | 单目标 | 克服高维数据集的高计算复杂度 | 数值型 |
| 开发新的初始化方法和最佳粒子更新策略 | 单目标 | 选择相关和非冗余特征的子集来降低计算复杂度 | 数值型 |
| 提出二值PSO (BPSO)算法与Hamming distance的集成模型 | 多目标 | 利用汉明距离来改进BPSO算法的速度更新过程 | 医学应用 |
| 提出改进的多目标PSO算法用于不可靠数据分类 | 多目标 | 提高粒子群算法的搜索能力 | 数值型 |
| 将相关特征选择与改进的二进制PSO算法相结合 | 单目标 | 去除不相关和冗余特征来选择相关度高的特征子集 | 基因选择和癌症分类 |
| 提出一种基于pso的特征选择方法 | 单目标 | 提高了疾病诊断的性能 | 医学应用 |
| 开发一种递归粒子群优化策略 | 单目标 | 以选择数据集中的相关和非冗余特征子集 | 基因选择 |
| 使用二进制黑洞算法和改进的BPSO算法 | 单目标 | 提高性能 | 光谱学 |
| 开发一种改进的BPSO方法用于特征选择 | 单目标 | 提高了肝病和肾脏疾病诊断中特征选择的准确性 | 医学应用 |
| 提出一种基于pso的多分类器特征选择 | 单目标 | 提高分类精度，降低计算复杂度 | 数值型 |
| 提出一种新的自适应参数和策略来处理高维数据集的特征选择 | 多目标 | 提高了粒子优化算法对高维数据集的搜索能力 | 医学应用 |
蚁群优化(ACO)是群体智能的一部分，它模仿蚂蚁的合作行为来解决复杂的组合优化问题。
| 改进方式 | 目标数量 | 目的 | 应用场景 |
|---|---|---|---|
| 将神经网络和IG方法相结合 | 单目标 | 去除冗余和不相关的特征 | 数值型 |
| 提出一种新的基于aco的基因选择方法 | 单目标 | 基因选择 | |
| 提出一种新的蚁群算法来去除不相关和冗余的特征 | 单目标 | 利用局部搜索策略来选择最终的特征集，避免陷入局部最优 | 数值型 |
| 基于粗糙集理论的蚁群算法特征选择方法 | 单目标 | 数值型 | |
| 提出一种无监督的基于aco的特征选择方法来去除冗余和不相关的特征 | 单目标 | 考虑特征之间的相似性，在分层过程中选择最优的特征子集 | 数值型/医学应用 |
| 提出特征选择和蚁群优化相结合的方法 | 多目标 | 提高不平衡数据的分类精度 | 数值型 |
人工蜂群算法(ABC)是一种基于si的优化方法，其灵感来自于蜜蜂群体的生活方式。这个算法试图模仿蜜蜂群体的食物搜寻行为。该优化技术集成了局部搜索策略和随机搜索策略，可用于复杂优化问题。这种基于群体智能的优化技术在选择最终特征集方面已经被广泛应用。
| 改进方式 | 目标数量 | 目的 | 应用场景 |
|---|---|---|---|
| 提出一种新的基于人工蜂群的特征选择方法 | 单目标 | 数值/医用 | |
| 开发一种改进的基于abc的特征选择方法（与相似度搜索策略） | 单目标 | 提高了特征选择的性能 | 数值/医用 |
| 提出一种结合ABC算法和蚁群算法的特征选择方法 | 单目标 | 同时利用了人工蜂群算法和蚁群算法的优点 | 数值/医用 |
| 将ABC算法和pareto最优前表面相结合 | 单目标 | 提高特征选择方法的精度和ABC算法的收敛性 | 数值型 |
| 开发一种多Hive ABC编程方法 | 单目标 | 消除不相关和冗余的特征 | 数值型 |
| 开发一种基于abc的多目标特征选择方法 | 多目标 | 提高ABC搜索策略的搜索能力和收敛性 | 数值型 |
| 将多目标优化算法与样本约简策略相结合 | 多目标 | 提高分类精度，降低计算复杂度。 | 数值型 |
差分进化(DE)算法是一种基于si的搜索策略技术，已被开发用于解决复杂的优化问题。该优化方法克服了遗传算法缺乏局部搜索的主要缺点。DE算法与遗传算法的主要区别在于遗传选择算子。DE算法被用于机器学习任务和特征选择的不同应用中。
| 改进方式 | 目标数量 | 目的 | 应用场景 |
|---|---|---|---|
| DE算法和基于轮子的搜索机制开发一种基于包装器的特征子集选择 | 单目标 | 数值/医用 | |
| 提出一种基于多目标de的方法 | 多目标 | 去除不相关和冗余，提高分类精度 | 数值/医用 |
| 提出一种基于多目标de的特征选择方法 | 多目标 | 定义一种新的变异算子来逃避局部最优解 | 数值/医用 |
| 新的基于多目标de的特征选择方法 | 多目标 | 在进行特征选择的同时提高聚类算法的性能 | 数值/医用 |
一些基于si的优化方法也受到了物理定律的启发。引力搜索算法(GSA)是(Rashedi et al.，2009)一种受牛顿万有引力定律启发的基于物理的优化技术。GSA是一种流行的基于si的算法，在机器学习中得到了广泛的应用，近年来，许多特征选择方法都采用了这种优化算法。
| 改进方式 | 目标数量 | 目的 | 应用场景 |
|---|---|---|---|
| 提出一种基于gsa的特征选择方法 | 单目标 | 使用线性混沌映射来提高分类精度 | 数值/医用 |
| 开发一种基于增强GSA和k -最近邻分类器的特征选择混合系统 | 单目标 | 采用分段线性混沌映射和序列二次规划进行勘探 | 数值/医用 |
| 提出一种高效的混合特征选择方法 | 单目标 | 利用SI和遗传算法的优点来提高GSA算法的性能 | 数值/医用 |
萤火虫算法(FA)是由yang在2010a提出的，其主要思想是受到萤火虫之间光学连接的启发。萤火虫算法是群体智能的一个明智的例子，在该算法中，低性能的代理可以一起工作，以实现高性能的伟大结果。
| 改进方式 | 目标数量 | 目的 | 应用场景 |
|---|---|---|---|
| 开发一种新的基于FAS的特征选择方法 | 多目标 | 防止FA算法的过早收敛，从而提高特征选择的准确性 | 数值型 |
| 在标准FA中添加了一些变体 | 单目标 | 提高了最终特征选择的准确性 | 面部表情 |
| 基于FA的特征选择方法 | 单目标 | 用于使用SVM分类器对阿拉伯文本进行分类 | 文本 |
| 基于FA的特征选择方法用于网络入侵检测 | 单目标 | 互信息和c4.5和贝叶斯网络的组合来选择特征 | 网络入侵 |
蝙蝠算法（BA）（Yang，2010b）是一种受蝙蝠在自然环境中集体行为启发的算法，由Yang于2010年引入。bat算法是一种基于群体智能的算法，其灵感来源于蝙蝠的回声定位行为。蝙蝠通过发送声波和接收反射来找到猎物的确切路径和位置。当声波返回蝙蝠波的发射器时，鸟儿可以在其周围环境前面画出障碍物的音频图像，并能很好地看到周围环境。
| 改进方式 | 目标数量 | 目的 | 应用场景 |
|---|---|---|---|
| bat算法和改进的PSO算法的混合变体 | 单目标 | 提高特征选择性能 | 数值/医用 |
| 提出一种基于二进制BA的图像隐写分析特征选择方法 | 单目标 | 提高最终的检测精度 | 图像隐析 |
| 使用bat算法搜索最佳特征子集（mRMR和BA相结合） | 单目标 | 提高癌症分类的准确性 | 医学应用 |
布谷鸟优化算法 (COA) 是另一种基于群体智能的算法，灵感来自一种叫做布谷鸟 (Rajabioun，2011) 的鸟类的特殊生活方式。产卵的特定习惯和这种鸟的繁殖是形成这种优化算法的基础。与其他进化算法一样，布谷鸟优化算法始于杜鹃的初始种群。这种杜鹃的早期种群有许多卵被放置在寄主鸟的巢中。有些与寄主鸟蛋较为相似的蛋，长成成鸟的机会较大。其他卵被宿主蝴蝶识别并破坏。生长的鸡蛋表明，巢穴在搜索空间中是一个更好的地方，并且该区域的实用性更高。布谷鸟优化算法，也就是优化函数，目标是找到大多数鸡蛋有更多生存机会的地方。
| 改进方式 | 目标数量 | 目的 | 应用场景 |
|---|---|---|---|
| 先用过滤式去无关，再用包裹法和COA选出最终特征 | 单目标 | 提高癌症分类的准确性 | 数值/医用 |
| 提出一种布谷鸟搜索算法和神经网络相结合的特征选择方法 | 单目标 | 在选择非冗余和相关特征的特征子集之后，将最终选择的特征发送到分类器，并对心脏病进行分类 | 医学应用 |
| 使用布谷鸟搜索优化来优化特征子集选择的过程，然后将这些选择的特征发送到SVM分类器 | 单目标 | 提高疾病诊断准确性 | 基因表达 |
灰狼优化（GWO）是一种新的基于进化算法的优化技术，灵感来自灰狼（Mirjalili et al.，2014）。这种优化方法是最新的生物启发技术之一，它模仿了自然界中一群灰狼的狩猎过程。
| 改进现状 | 目标数量 | 目的 | 应用场景 |
|---|---|---|---|
| 多目标GWO被用于搜索最相关和非冗余的特征 | 多目标 | 提高了包装器模型的精度 | 数值/医用 |
| 开发GWO的二进制版本 | 单目标 | 以选择用于分类任务的最佳特征子集 | 数值/医用 |
| 开发一种用于特征选择的多策略集成GWO | 单目标 | 增强以前基于GWO的特征选择方法 | 数值/医用 |
| 开发一种基于GWO的包装器特征选择方法 | 单目标 | 集成了用于数据分类的突变算子 | 数值/医用 |
鲸鱼优化算法 (WOA) 是另一种基于SI的优化方法，其灵感来自座头鲸的狩猎行为，这种优化方法由三个操作员组成，以模仿座头鲸的寻找猎物，包围猎物和气泡网觅食行为。最近，WOA算法已成功应用于许多不同的优化问题和特征选择。
| 改进现状 | 目标数量 | 目的 | 应用场景 |
|---|---|---|---|
| 开发了具有模拟退火算法的混合WOA用于特征选择 | 单目标 | 搜索WOA算法定位的最有前途的区域来改善开发 | 数值/医用 |
| 开发了一种基于WOA的包装器特征选择算法 | 单目标 | 锦标赛和轮盘选择机制以及交叉和变异算子被用来改进WOA算法搜索过程的探索和开发 | 数值/医用 |
| 在高维医学数据集上使用鲸鱼算法的基于频率的滤波器特征选择方法 | 单目标 | 使用WOA利用过滤准则丢弃不相关的特征 | 医学应用 |
移动和觅食时的群集行为。
| 改进现状 | 目标数量 | 目的 | 应用场景 |
|---|---|---|---|
| 提出一种具有交叉方案的高效二进制Salp群算法 | 单目标 | 提高特征选择的准确性 | 数值/医用 |
| 通过将SSA算法与粒子群优化相结合 | 单目标 | 提高了探索和开发步骤的效率 | 数值型 |
| 改进的SSA和新的局部搜索算法的集成 | 单目标 | 初始解决方案的多样性 | 数值/医用 |
| 开发基于Salp群算法的特征加权方法 | 单目标 | 预测肝脏疾病、心脏和帕金森氏病的存在 | 医学应用 |
| 通过添加新的控制参数和惯性权重 | 多目标 | 提高基本SSA的求解精度、可靠性和收敛速度 | 数值/医用 |
| 提出一种新的SSA优化算法用于特征选择 | 单目标 | 通过鼓励搜索的探索，利用了一个附加阶段来克服陷入局部最优的问题 | 数值/医用 |
使用JWT生成Token提示：java.lang.IllegalArgumentException: secret key byte array cannot be null or empty.详细错误信息:java.lang.IllegalArgumentException: secret key byte array cannot be null or empty. at io.jsonwebtoken.lang.Assert.notEmpty(Assert.java:204) at io
Flutter学习-有状态的StatefulWidget1. StatefulWidget1.1 StatefulWidget的介绍1.2 如何存储Widget状态？2. StatefulWidget案例3. StatefulWidget生命周期3.1. 生命周期的理解3.2 生命周期简单版笔记1. StatefulWidget在开发中，某些Widget情况下我们展示的数据并不是一层不变的：比如Flutter默认程序中的计数器案例，点击了+号按钮后，显示的数字需要+1；比如在开发中，我们会进行下拉
经过前面三大部分内容知识点的讲解，相信大家对大部分的布局方式、组件的使用、逻辑业务编写都有了一定的了解了。到这里，我们基本上关于 Flutter 的开发课程的内容就说的差不多了。那么接下来我们就用前面学习的一些知识来进行一个完整的实践：实现一个简易日记本应用。通过这个实例我们可以复习巩固我们之前学过的知识，也算是一个总结与检验。本节作为练习篇，主要用到组件、自定义组件、常用布局、插件等知识点来完成...
那如果解除的话大家要删除，不删除的话，在我的实验里它是不允许比如咱们清空这个文件，那么它不允许所有用户建立就是任务了。那如何创建定时任务，很简单，我们通过这个命令，每一个用户都可以创建自己的定时任务，使用一个编辑器打开它，这里就可以创建一个定时任务，定时任务保存的路径一共有这么几个。这里就不用说了，它也是一样的，只是他们分了一下就是每小时执行的文件夹，这是每天执行的文件夹，咱们进一个每个月的，比如这里有一个脚本，那么每个月都会执行一次，看一下扩展知识，我们任意用户都可以创建定时任务，是不是很危险。
1.在终端输入：vim ~/.bash_profile2.在里面添加：export PATH=/usr/bin:/usr/sbin:/bin:/sbin:/usr/X11R6/bin:.3.在:wq后，输入：source ~/.bash_profile
java中的实现：常规的逻辑判断（开关）（用在最外层），一层一层的往外传递，每层使用逻辑判断（开关）【每层的后续若无代码自然可以省略这个开关】；js中的实现：与java的实现方式类似，也是使用逻辑判断（开关）的方式，在最外层判断后终止整个函数。js中没有返回类型的概念所以比java实现更为方便。以上是常规也是最底层的方式，其他是否有可以直接跳出多层嵌套函数的方法我也不是很清楚，感觉应该有，找到了之...
腾讯云服务器默认是有2G的基础防护的，如果压力测试触发了这个策略，会封堵云服务器的外网IP。
angularJs的工具方法1.angular.iaArray()返回true;2. angular.iaElement()支持判断JQ获取到的对象3.angular.equals(a,b)判断两个参数是否相等；var a=2;var b=2;console.log(angular.equals(a,b));//truevar c=[];var d=[];console.log(angular.equals(c,d));//truevar c=[1,2];v...
QT4 升级到 QT5 改动:PC部分：【改 QTDIR 变量】在工程根目录下找到 .user 文件 , 如 InnoTabPlugin.vcxproj.user修改指向你的 QT5 根目录： <PropertyGroup Condition="'$(Configuration)|$(Platform)'=='Template|Win32'"> <QTDIR>C:...
课上记录的一些python基础应用，都是很简单的。syntax基本语法a = 1234print(a)a = 'abcd'print(a)try: print(b)except Exception as e: print(e)a = [1, 2, 3 , 4]def func(a): a[0] = 2func(a)print(a)try: # Python
根据树形节点筛选表格数据，使用的是layui的tree查询节点数据，查询节点数据有很多种，网上挑一个自己合适的，在加载tree模块加上节点点击回调函数，拿到相对应的数据表格声明一下拿到表格的tableIns 到点击回调函数重载表格，加上条件把id送回给后端在表格设计上，要把tree的父节点，和子节点的id都要放在另外一张表格里，假如表格中没有tree的子节点，是要根据父节点来查查询数据?，还是子节点来查询数据?如果表格中只有父节点的id，那么查出来的只有一
TeX开放分类： 计算机、字处理、排版软件 【名称】：TeX【中文释义】：基于宏的流行的文本格式化程序 （它是包括LaTeX和teTeX在内的其它此类格式化程序的基础） 【概述】 电子排版系统的出现给印刷出版业带来了一场革命，利用电子计算机及各种辅助设备，可以完成从文稿、图表的录入、编辑、修改