1.此离线安装包包括了：device-mapper-persistent-data lvm2 wget net-tools nfs-utils lrzsz gcc gcc-c++ make cmake libxml2-devel openssl-devel curl curl- devel unzip sudo ntp libaio-devel wget vim ncurses-devel autoconf automake zlib-devel python-devel epel-release openssh-server socat ipvsadm conntrack telnet ipvsadm 工具 2.rpm -Uvh *.rpm 即可 3.安装环境适用于centos7.9最小化系统

在[1]中，通过迭代最小化（SLIM）方法进行的稀疏学习已被证明在MIMO雷达模型的高分辨率成像中是有效的。 但是，那里的回声模型是直接根据离散形式导出的。 成像空间的先前网格化以及所有散射体都精确位于网格上的假设。 因此，这里我们将回波模型推广到任意位置散射体的连续形式。 通过比较两个模型，我们首先指出了先前模型中的一个推导错误。 然后，我们分析了先前模型和SLIM方法在何种程度上会受到离网散射体的范围和角度偏差的影响。 根据我们的分析，由于先前模型中的采样间隔和离散距离仓的大小是根据传输的子脉冲的持续时间设计的，因此距离偏差对成像性能没有重大影响。 但是，角度偏差可能导致基矩阵不匹配，从而严重影响SLIM的重建结果。 因此，提出了一种基于自更新的SLIM（SUB-SLIM）方法，通过交替稀疏成像和自适应细化角箱来处理偏角网格散射体。 数值结果说明了我们的方法和相关分析的有效性。

基于全梯度的总变化最小化，用于全方向图像的稀疏重建。

此代码侧重于最小化有功功率损耗。 首先，我们从所需的电力系统中获取数据，然后我们定义优化算法的参数，例如迭代次数、总体规模以及目标变量的最小值和最大值。 目标变量是： TAP、母线电压和分流器的值。 定义优化算法参数后，执行经典潮流程序，计算优化函数值。 现在迭代过程在算法达到默认迭代次数后开始，它显示了目标变量的初始值与优化算法的新值之间的比较，也显示了最优值的演化过程作为有功功率的损失。 在文件夹中，有一张关于 Jaya 算法如何工作的图像。 注意：代码设计用于任何电力系统，只需添加到文件夹并在代码中调用它。 请记住，优化过程可能需要几秒到几分钟才能收敛，具体取决于目标变量的数量和迭代次数。 要了解有关 Jaya 算法的更多信息： http://www.comingscience.com/ijiec/Vol7/IJIEC_2015_32.pdf 如果您遇到任何问题，可以通过电子邮

该应用程序用于找到必须提供给感应电机的电压和频率的最佳值，以最大限度地减少功率损耗。 它基于遗传算法欲了解更多信息，请访问： http://matlabguionlinecourse.blogspot.com/

灰狼优化算法（GWO）是目前一种比较新颖的群智能优化算法，具有收敛速度快、寻优能力强等优点。将灰狼优化算法用于求解复杂的作业车间调度问题，与布谷鸟搜索算法进行比较研究，验证了标准GWO算法求解经典作业车间调度问题的可行性和有效性。在此基础上，针对复杂作业车间调度问题难以求解的特点，对标准GWO算法进行改进，通过进化种群动态、反向学习初始化种群以及最优个体变异三个方面的改进操作，测试结果表明，改进后的混合灰狼优化算法能够有效跳出局部最优值，找到更好的解，并且结果鲁棒性更强。

这个问题就是我自定义了qt的界面，然后在lineEdit中按下enter键，竟然出现最小化的奇怪的问题

unity3d使用win32api，实现最小化，托盘运行，开机自启动，浏览文件框，隐藏标题栏

用于优化 Cost-231 Hata 路径损耗模型的软件工具/框架； 使用人工蜂群 (ABC) 算法找到最佳操作参数集（移动设备与基站的距离、基站操作频率和基站天线高度）。

多窗口的C++MFC宿舍管理程序，非常适合初学者学习，这也是本人花费了一些时间的良心之作，希望大家不要嫌弃。（其中也有很多是查阅资料得来）