热轧板坯的出库问题是连铸-热轧生产中一个重要的组合优化问题, 然而在学术界还很少见到对该问题的研究. 对此, 提出了热轧板坯出库问题总移动次数的一个下界, 开发了一个极小化总移动次数的树搜索算法. 该算法包括一个生成初始解的贪婪算法和一个基于复合移动的递归搜索. 大量的实验和分析表明, 该树搜索算法能在较短的时间内给出板坯出库问题的满意解, 具有重要的理论意义和应用价值.

代码名称：基于IEEE标准30节点直流潮流的电力系统机组组合优化调度matlab-yalmip/cplex/gurobi 代码简介： 机组组合问题要求基于已知的系统数据，求解计划时间内机组决策变量的最优组合，使得系统总成本达到最小。该问题的决策变量由两类，一类是各时段机组的启停状态，为整数变量，0表示关停，1表示启动；另一类是各时段机组的出力，为连续变量。 机组组合问题属于规划问题，即要在决策变量的可行解空间里找到一组最优解，使得目标函数尽可能取得极值。对于混合整数规划，常用的方法有分支定界法，benders分解等。CPLEX提供了快速的MIP求解方法，对于数学模型已知的问题，只需要按照程序规范在MATLAB中编写程序化模型，调用CPLEX求解器，即可进行求解。 参考文献：自编文件

python实现采用Alpha-Beta剪枝搜索实现黑白棋AI源码（人工智能期末作业）.zip 黑白棋 实验要求： 使用 『最小最大搜索』、『Alpha-Beta 剪枝搜索』 或 『蒙特卡洛树搜索算法』 实现 miniAlphaGo for Reversi（三种算法择一即可）。 使用 Python 语言。 算法部分需要自己实现，不要使用现成的包、工具或者接口。 Result： 实现 AIPlayer 类，采用 Alpha-Beta 剪枝搜索实现黑白棋 AI

基于深度强化学习的云工作流调度 有向无环图，工作流，深度强化学习，图神经网络； 蒙特卡洛树搜索

蒙特卡洛树搜索(MCTS)_井字棋(C++实现)

在机组的各种约束条件下，求解各机组的出力，从而使经济性最好

本论文将快速走子网络方法应用在围棋博弈的蒙特卡洛树搜索算法中，实现了基于深度学习和蒙特卡洛树搜索算法的围棋博弈智能体，利用本论文实现的智能体与传统的基于模式的蒙特卡洛树搜索算法智能体对弈，验证了算法的有效性。

python编写，即跑即用，no bugs，有训练好的model。 使用蒙特卡洛树搜索与深度神经网络来设计一种基于强化学习的AI五子棋算法，实现了从零开始学习五子棋博弈的人工智能算法。

组合优化算法和复杂性组合优化算法和复杂性组合优化算法和复杂性组合优化算法和复杂性组合优化算法和复杂性

matlab马科维茨代码QMD算法 这是用于商最小度算法（QMD）的健壮Matlab代码。 在数值分析中，最小度算法是用于在应用Cholesky分解之前对对称稀疏矩阵的行和列进行置换的算法，以减少Cholesky因子中的非零数。 最小度算法经常用在有限元方法中，其中只能根据网格的拓扑而不是偏微分方程中的系数来进行节点的重新排序，从而在使用相同的网格来节省效率时各种系数值。 QMD算法的上限严格为O（n²m）。 语境 找到最佳排序的问题是一个NP完全问题，因此很棘手，因此改用启发式方法。 最小度算法是从Markowitz于1959年首次提出的用于解决非对称线性规划问题的方法中衍生出来的，下面将对此进行粗略地描述。 在高斯消除的每个步骤中，都执行行和列置换，以使枢轴行和列中偏离对角非零的数量最小。 Tinow和Walker在1967年描述了一种对称形式的Markowitz方法，Rose后来又推导了该图的图形理论形式，其中仅模拟了因式分解，这被称为最小度算法。 当存在相同程度的选择时，这种算法的一个关键方面是突破打破策略。 输入和输出 perm : the output permutatio