qq_45874683的博客

原创 脑电情绪识别资源整理

脑电方向的资源比较少，整理了自己用过的所有资源。都已经成功运行过了尽可能的找到了一些论文的源码材料虽然很多，还是希望能多多理解最好是看有代码有论文的，一起对应着理解带论文的脑电情绪识别：1.（论文加源码）基于DEAP的脑电情绪识别（CNN,RNN和两种不同的注意力机制）六种模型做 对比，包含DE特征2.（论文加源码）基于DEAP数据集的脑电情绪识别（基于FFT和CWT的CNN模型） 3.（论文加源码）（matlab代码）基于时频域特征分析和SVM分类器的D...

原创 基于seed和deap数据的脑电情绪识别的相关整理

整理好了自己之前用过的关于做脑电情绪识别的所用到的部分资源所有代码均已成功调试运行，其中细节部分看各篇博客一共19份代码，部分对应于自己之前的博客和代码资源有的含有论文，有的含有代码DEAP：SEED:需要的可以私聊我...

原创 基于时间变化的自适应惯性权重的无人机路径规划的修正PSO算法（2021）

到目前为止，已经提出了几种不同的方法，如常数值[3]、时变[4][5][6]、单变量[6]、多变量[7]等，来定义惯性权重的性质，以提高粒子群算法中的粒子多样性。在我们之前的工作[2]中，提出了一种基于动态邻域的粒子群优化算法nPSO，并表明邻域方法可以增加粒子的多样性和生成更好的无人机路径的能力。然后，我们为我们之前提出的用于无人机路径规划的PSO版本提出了一个时变的自适应惯性权重参数，称为nPSO，并与其他惯性权重参数策略进行了比较。在接下来的部分中，首先，我们概述了最近的工作。

原创 用于无人机路径规划的增强型粒子群优化

工作表明，选择适当的分布对算法有很大的帮助。在给定的搜索空间中初始化群体（候选解决方案），即PSO[7]中的粒子和GWO[19]中的狼，在算法向解决方案收=中起着内在的作用。在图3中，给出了另一个比较，以显示所提出的算法的性能，根据迭代次数，ePSO的接收精度优于参与算法。结果和讨论表明，增强的PSO算法在解决复杂的多目标优化问题方面优于现有的PSO变体，特别是在无人驾驶飞行器（UAV）路径规划的情况下。图5显示，在简单的情况下，算法产生了类似的结果，随着复杂度的增加，ePSO与其他算法有很大的不同。

原创 用自适应K-Means的差分进化算法解决有容量的电动汽车（EV）路由问题(2023)

所提出的模型是基于差分进化（DE）算法和自适应kmean算法的概念，此外，模糊技术也被应用，目的是为了达到最佳的整体性能。在我们的框架中，使用具有模糊性的自适应K-means来创建高质量的种群。1）电动车负载（CO），2）客户与EVk的持续时间，（Dist）和3）电动车的剩余电能（EC），如公式4所示。其中，{Dist}是最小旅行距离，CustRoute是两个客户之间的欧氏距离，K是车辆的数量，R是车辆的客户数量K，ChargeDist是客户和充电站之间的欧氏距离，C和ST是客户和电动车充电站的位置。

原创 基于双种群的容量式电动汽车路由问题的协同进化算法（2023）

A Dual-Population Based Co-evolutionary Algorithm for Capacitated Electric Vehicle Routing Problems摘要、：有容量的电动汽车路由问题是一个具有挑战性的非确定性多项式硬问题（NP-hard），由两个相互依赖的子问题组成，即路由优化问题和充电决策问题。驾驶范围有限的电动汽车的路线优化取决于可用的充电站，而充电决策是基于在固定路线上估计的充电需求作为回报。考虑到这种耦合关系，本文提出了一种基于双种群的共同进化

原创 易腐产品的多车厢电动车路径问题（2023）

Multi-Compartment Electric Vehicle Routing Problem for Perishable ProductsABSTRACT该研究首先提出了一个异质车队、多车室的易腐产品电动汽车路由问题（MCEVRP-PP）。我们捕捉到MCEVRP-PP的许多实际需求和限制，如多个温度区、硬时间窗口、在交付过程中充电一次以上、每单位制冷的各种功耗等。我们将MCEVRP-PP建模为一个混合整数程序，旨在优化总成本，包括车辆固定成本、电力成本和冷却成本。开发了一种混合蚁群优化（H

原创 容量电动汽车路由问题的高效门限接受多层搜索算法（2024）

英文：An Efficient Threshold Acceptance-Based Multi-Layer Search Algorithm for Capacitated Electric Vehicle Routing Problem摘要摘要：电容式电动汽车路由问题（CEVRP）通过同时考虑客户的服务顺序和车辆的充电时间表，扩展了传统的车辆路由问题。由于其NP-hard性质，我们将原始问题分解为两个子问题：一个有容量的车辆路由问题（CVRP）和一个固定路线的车辆充电问题（FRVCP）。提出

原创 电动汽车路由问题的自适应精英遗传算法与改进的邻居路由初始化

例如，对于一个有9个客户、1个仓库和1个充电站的路由问题，NR-EGA分配数字1到9来表示客户，数字0表示卸货，数字10表示充电站。，所有的方法在最后都趋于一致，但采用改进的自适应P c和P m的NR-EGA获得了最快的趋于一致的速度，而采用常数P c和P的NR-EGA则保持最慢。因此，路由计划的目标是找到最小的M = {1,...,m }电动汽车集合，满足所有客户的需求一次，而且只有一次，都是从仓库开始，在仓库结束，从而使总服务时间（包括驾驶时间，以及电动汽车充电站的充电和等待时间）和总电能成本最小。

原创 针对有容量的电动汽车路由问题的灵活交叉的修正遗传算法

对于G2染色体中的每个基因，创建0和1之间的随机数，然后与突变概率（P M）进行比较。以下是比较结果的总结。通过标准数据集基准测试，我们提出的算法被证明是测试的三种算法中最有效的。本文提出了一种对遗传算法的修改，用一种叫做灵活交叉操作的新技术来解决有容量的电动汽车路由问题（CEVRP）。在这个实验中，对所提算法的性能进行了评估，并与最先进的算法进行了比较。对所提出的算法进行了评估，并与最先进的算法进行了比较。在七个数据集上的实验结果表明，所提出的算法对于解决有容量的电动汽车路由问题的中小型数据集是有效的。

原创 基于带时间窗口的电动汽车路由问题的精英对立学习的多群PSO（2022）

在迭代开始时，DQPSO和M-PSO-EL的目标函数值都以较快的速度下降，然后以较慢的速度下降，逐渐接近找到的近似值。在Solomon-s基准的EVRPTW数据集上的测试实例是聚类的，随机分布的，以及聚类的随机分布的客户点。EVRPTW模型能够由图൐ܣǡܸൌ൏ܩ描述，其中顶点׫ܨ׫ܥൌܸܦ଴的集合包含：ܥ的ܰ௖客户，ܨ的ܰ௙充电站加上（ܰ௙ǯ）它们的克隆，以允许多次访问充电站作为基本路线，ܦ଴代表仓库集合，作为每条路线的起点和终点。弧的集合A包含所有有序的顶点对，除了仓库之间的顶点，以及每个充电站的顶点。

原创 ⽜客论坛的笔记

⽤户登录之后，会给⽤户创建⼀个ticket，并放⼊cookie返回给浏览器，下⼀次再访问时，浏览器带上 cookie(ticket)，服务端可以根据cookie确定⽤户的登录状态，以及通过ticket查询到⽤户id，通过⽤户id，就 可以知道当前⽤户的具体信息了，把user放⼊model，再由模板引擎渲染后，返回HTML给客户端浏览器。项目主要功能有: 基于邮件激活的注册方式，基于MD5加密与加盐的密码存储方式，登录功能加入了随机验证码的验证，实现登陆状态检查、为游客与已登录用户展示不同界面与功能。

原创 文献综述：电动汽车的路由问题及其变化。

摘要： 电动汽车技术有望降低物流运营的成本和环境影响。因此，该领域正在进行许多研究。在操作层面上，最近引入了电动汽车路线问题（EVRP），并处理形成有效的车辆路线计划，同时满足一系列与电池有关的限制。本文对EVRP及其扩展进行了全面的文献回顾。在这种情况下，我们回顾了136篇已发表的考虑电池电动车路由的论文。明确定义了EVRP，讨论了基本EVRP的变化，给出了一个数学公式，也是问题的几个简单变化的模型，并详细讨论了开发的解决方法。此外，还介绍了EVRP基准集，最后，讨论了有趣的未来研究方向。1

原创 电动汽车路由问题（2023）

在我的结果和文献综述中提出的结果之间很难做直接的比较，因为他们所有的代码都是在时间窗口的限制下解决EVRP的，这使得它在技术上成为EVRPTW。例如，把到仓库的行程放在顺序中是没有意义的，因为到仓库的行程是必要的，除非客户路线认为它们是必要的，它们也不是我们试图最小化的东西。通过将GAs应用于EVRP，我们的目标是实现最佳的路由解决方案，同时考虑到客户的需求和电动汽车的有限范围。通过将GAs应用于EVRP，我们的目标是实现最佳的路由解决方案，同时考虑到客户的需求和电动汽车的有限范围。

原创 面试题总结

6.Windows Linux 如何查看进程占用cpu（资源）多少（好像是这个）linux ps top命令7. ==和equals的区别。

原创 数据库笔记

原创 Java面试常用函数

有序集合,这里的有序指的是存取顺序用户可以精确控制列表中每个元素的插入位置,用户可以通过整数索引访问元素,并搜索列表中的元素与Set集合不同,列表通常允许重复的元素。

原创 Java面试笔试acm版输入

2 以三行输入为例，第一行输入两个数字m，n，分别表示数组num1和num2的长度，第二行和第三行输入num1和num2的元素，以空格分隔。假设第一行输入m，n，m表示后面有m行，n表示每行最多有n个(可用来截断某一行多输入的参数，不详细分析了)。scanner.next()//输入字符串，只能读取一个字符串，空格就停止，但是逗号不停止。首先区分scanner.nextInt()//输入一个整数，只能读取一个数，空格就停止。scanner.nextLine() 读取一行，换行停止，空格不停止。

原创 后端完整学

原创 java学习

a+=1这种运算包含了强制转换。1.cmd的常见八个命令。

原创 电动汽车路由问题的基准测试

摘要 有几家物流公司开始在日常运营中利用电动汽车（EVs）来减少温室气体污染。然而，电动汽车有限的驾驶范围可能需要在运行期间访问充电站。这些潜在的访问必须得到解决，避免不必要的长时间绕行。我们制定了电容式车辆路由问题（E-CVRP），其中包含了电动汽车在满足客户交付需求的同时访问充电站的可能性。电动汽车的能源消耗与它们的货物负荷成正比，这是现实世界物流应用中的一个重要制约因素。为E-CVRP提出了一套新的基准实例。作为这些新基准的解决方法，我们应用了蚁群优化元启发法和精确法。在ECVRP上的实

原创 IEEE WCCI-2020电动汽车路由问题进化计算竞赛的基准集

更具体地说，EVRP.hpp中实现的功能可以用来生成EVRP实例的距离矩阵，访问所有上述信息，并评估由求解器生成的解决方案（注意，解决方案必须是源代码中描述的特定格式）。表2显示了从源代码（文件heuristic.hpp）中实现的样本启发式得到的结果的例子，其中 "mean "是20次运行的平均解决方案质量，stdev "是标准偏差，min "是20次运行的最佳结果，max "是20次运行中最差的结果。第一组的实例对测试很有用（例如，求解器的验证、参数调整等），因为大问题实例的解决更具挑战性和耗时。

原创 基于电动汽车的进化算法（2020年排名第三的遗传算法）

摘要 多年来，为适应社会的实际需求而创建的车辆路由问题有很多变化，其中之一是电动汽车路由问题（EVRP）。与传统的车辆路由问题相比，EVRP是一个更复杂、更具挑战性的组合优化问题。本文考虑了有轨电车路由问题的具体模型，并提出了一种受聚类启发的贪心搜索算法GS。GS算法的目的是对充电路线进行聚类，并贪心地搜索充电站以获得最佳路线输出。在本文中，我们特意将GS实现在元启发式遗传算法GA中，利用GA寻找全局最优，从而形成了GSGA算法的表述。为了评估性能，我们使用了2020年世界计算智能大会（WCC

原创 电容式电动汽车路径规划问题的双级蚁群优化算法

摘要： 电动汽车（EV）技术的发展导致了一个新的车辆路由问题（VRP），称为有容量的电动汽车路由问题（CEVRP）。由于充电站的数量有限，电动汽车的巡航范围有限，不仅要考虑客户的服务顺序，还要考虑电动汽车的充电时间表。然而，将问题的这两个方面放在一起解决是非常困难的。为了解决上述问题，我们将CEVRP视为一个二层优化问题，并在本文中提出了一种新颖的二层蚁群优化算法，该算法将CEVRP分为两个层次的子问题：1）有容量的VRP和2）固定路线车辆充电问题。对于上层子问题，电力约束被忽略了，并设计了一

原创 蚁群算法（解决TSP问题）

蚂蚁在寻找食物源时，会在其经过的路径上释放一种信息素，并能够感知其它蚂蚁释放的信息素。信息素浓度的大小表征到食物源路径的远近，信息素浓度越高，表示对应的路径距离越短。通常，蚂蚁会以较大的概率优先选择信息素浓度较高的路径，并释放一定量的信息素，以增强该条路径上的信息素浓度，这样会形成一个正反馈。最终，蚂蚁能够找到一条从巢穴到食物源的最佳路径，即最短距离。值得一提的是，生物学家同时发现，路径上的信息素浓度会随着时间的推进而逐渐衰减。

原创 基于DEAP的脑电情绪识别（模型为SVM,KNN和决策树，随机森林）完整代码分析

1. 读取deap数据集中data_preprocessed_python数据。2. 将数据转换为array格式。5. 模型搭建、训练、测试、优化。3. 数据预处理以及特征提取。4. 构建Label数据。

原创 （论文加源码）基于DEAP脑电数据集的脑电情绪识别（利用生成对抗性网络进行特征提取和数据扩充）

情绪识别是脑机交互中一个具有挑战性的问题。脑电图（EEG）提供了关于由于情绪刺激而产生的大脑活动的独特信息。与情绪识别任务中的面部表情、语调或语音相比，这是大脑信号最显著的优势之一。然而，由于缺乏脑电数据和高维脑电记录，难以建立高精度的有效分类器。在本研究中，分别提出了数据扩充和特征提取技术来解决数据缺乏和数据高维的问题。在本研究中，所提出的方法基于深度生成模型和一种称为条件Wasserstein GAN（CWGAN）Conditional Wasserstein GAN的数据增强策略。

原创 （论文加源码）基于DEAP和MABHOB数据集的二分类脑电情绪识别（pytorch深度神经网络（DNN）和卷积神经网络（CNN））

随着记录脑电图（EEG）信号的设备变得越来越便宜，人们对使用EEG数据预测人类情感状态的应用越来越感兴趣。然而，该领域的研究论文往往存在再现性差的问题[1]，并且报告的结果相当脆弱，缺乏统计意义，并且通常基于对单个数据集的测试。因此，本文的目的：通过统计实验对获得的模型进行测试，以比较不同的模型和数据集。在考虑的两个模型中，深度神经网络（DNN）和卷积神经网络（CNN），第一个能够在特定的训练集上达到最大精度，但CNN被证明平均优于DNN。

原创 （论文加源码）基于DEAP和MABHOB数据集的二分类脑电情绪识别（pytorch深度神经网络（DNN）和卷积神经网络（CNN））代码解析

用于进行5x2cv测试，但也可以单独使用 mcnemar测试.py：对预训练的DNN和CNN模型进行。用于进行5x2cv测试，但也可以单独使用 mcnemar测试.py：对预训练的DNN和CNN模型进行。包含4个预训练模型（DEAP上的DNN、DEAP上CNN、MAHNOB上DNN、MAHNOB上CNN），其结果在第5节的第一部分。包含4个预训练模型（DEAP上的DNN、DEAP上CNN、MAHNOB上DNN、MAHNOB上CNN），其结果在第5节的第一部分。

原创 （论文加源码）基于DEAP的脑电情绪识别（四分类）（数据增强和扩充）（五种模型作对比：一维 CNN，LSTM和二维和三维 CNN和带有LSTM的级联CNN）

在本项目中，创建一个基于效价/唤醒模型的情绪识别或分类系统。脑电图（EEG）信号将主要用于创建该模型。不同的刺激在EEG信号中引发不同的反应。将使用不同类型的视频刺激及其相应的情绪效果，这是由EEG信号确定的。我们的目标是创建一个客观的系统，该系统可以确定视频在任何受试者中产生的反应类型，从而可以根据情绪类别对视频进行分类，这是使用效价/唤醒量表定义的。该项目将创建一个情绪分类系统和视频分类系统，即使用户能够使用观看视频的人的脑电图信号客观地确定视频的类型。这样的系统可能有利于创建本质上真正客观的推荐系统。

原创 （论文加源码）基于deap数据集的transformer结合注意力机制脑电情绪识别

对人类进行准确的情绪评估可以证明在医疗保健、安全调查和人际交往中是有益的。基于面部表情的情绪识别被证明是不准确的，而脑电图（EEG）活动的分析更准确地反映了一个人的精神状态。随着深度学习的进步，各种方法正在被用于这项任务。在本研究中，通过两种基于transformer的基于情绪的脑电信号分类方法介绍了注意力机制在脑电信号中的重要性。第一种方法利用通过原始EEG信号的连续小波变换（CWT）生成的2-D图像，而第二种方法直接对原始信号进行操作。本研究使用了公开可用且被广泛接受的DEAP数据集来验证所提出的方法。

原创 颜色旅行商问题

英文：Colored Traveling Salesman Problem摘要：多旅行商问题是一个重要的组合优化问题。它已被广泛且成功地应用于多旅行商（销售人员）共享公共工作空间（城市集）的实际案例中。然而，它不能代表一些应用程序问题，即多个旅行商不仅有自己的专属任务，而且彼此共享一组任务。这项工作提出了一种新的MTSP，用于处理此类情况，被称为有色人种旅行推销员问题colored traveling salesman problem（CTSP）。定义了两种类型的城市组，即每组唯一颜色的专属城市供销售人员访

原创 带自适应交叉算子的遗传算法求解具有访问约束的多旅行商问题

英文名：Genetic Algorithm with Adapted Crossover Operators for Multiple Traveling Salesmen Problem with Visiting Constraints摘要具有访问限制的多旅行推销员问题（VCSMP）是经典的多个旅游推销员问题（MTSP）的一般版本，其中每个城市只能由多个推销员访问。为了解决这个新问题，我们将遗传算法（GA）应用于MSTP，方法是使用双染色体表示方案，其中一条染色体表示城市的访问序列，另一条染色体代表城市

原创 旅行推销员问题的遗传算法中的完整子路线顺序交叉

许多研究提出了新的交叉甚至改进的解决TSP的方法，包括其他相关问题。值得注意的是，一个操作可以生成六个新的解决方案。因此，例如，身体状况良好的生物更有可能存活下来，并将这些良好的特征传递给下一代[1]。CSOX最多可产生六个后代，这对其他运营商来说是有利的，这是一种不公平的测试。在计算时间方面，CSOX比PMX消耗的时间更少，并且提供了更好的解决方案质量。不幸的是，这个实验无法与以前实验中的算法进行比较，以防止结果出现错误。因此，本研究提出了一种新的交叉算子，利用双亲产生六个后代，以按时保持种群的多样性。

原创 解决旅行推销员问题的算法

每个人离食物的距离都差不多，即使是离食物最近的鸟提供的信息也没有太大的参考价值，所以一开始，处于最佳位置的鸟会波动，到了后期，当食物的位置更加确定时，它的波动性就会消失。在算法中，本文使用轮盘赌方法，根据每个个体的适合度选择适合度高的个体，并广泛传播好的基因，同时，不适合的个体产生少量后代或直接被淘汰，从而实现这一目标。通过改进典型遗传算法的交叉算子，提出了一种改进的遗传算法，该算法动态调整交叉和变异的概率，有效控制进化过程，不仅提高了算法的收敛速度，而且获得了更好的性能[12]。

原创 旅行商问题的粒子群优化

尽管直接的P.S.O和任何其他传统规则解决T.S.P的力量和动量存在显著差异，但这是将T.S.P与P.S.O一起解开的新挑战[16]。在这两个群中，粒子群算法是独立运行的。从与人的共同行为来看，这是非常棒的，这些实体通过一个n维的检查窗口，每个元素都代表着对困难的可能解释，每个粒子都可以回忆起它移动过的最佳位置。具体说明如下：假设存在一个具有五个节点的TSP问题，则以下解决方案是可能的：S等于（l，3，5，2，4）。S0（1，2）是交换运算符，而节点，S'=S+S0（1，2-）=（1，3，5,2，4）

原创 旅行推销员问题的无参数粒子群算法分析

尽管EA有几个优点，但这种方法的主要缺点是固定算法参数的固有步骤，这通常是在试错的基础上进行的。通过应用无参数组合分析了该算法的性能，可以推断出，通过本工作中讨论的好处，可以证明使进化过程无参数化的努力是合理的。将所提出的方法的性能与现有的无参数算法进行了比较：无参数单变量边际分布算法（P-UMDA）[29]、无参数扩展紧凑遗传算法（P-ECGA）[30]、无参数分层贝叶斯优化算法（P-HBOA）[31]和无参数进化投资组合（PEP）[1]。对参数选择和优化的需求推动了对无参数进化方法的研究。

原创 基于动态邻域的切换粒子群优化算法

英文: A Dynamic Neighborhood-Based Switching Particle Swarm Optimization Algorithm摘要：本文提出了一种基于动态邻域的切换PSO（DNSPSO）算法，该算法设计了一种新的速度更新机制，根据基于距离的动态邻域调整个人最佳位置和全局最佳位置，以充分利用整个群体中的种群进化信息。此外，引入了一种新的切换学习策略，以自适应地选择加速度系数并根据每次迭代时的搜索状态更新速度模型，从而有助于彻底搜索问题空间。此外，将差分进化算法与粒子群优化（P

原创 用于旅行商问题的离散布谷鸟算法

英文：Discrete Cuckoo Search for Traveling Salesm Problem摘要杜鹃搜索（CS）属于一类新颖的自然启发算法，其灵感来源于一些杜鹃物种的专性卵寄生，将它们的卵放在其他寄主鸟类（其他物种）的巢穴中。CS已成功地应用于解决连续优化问题，但其在离散问题中的潜力尚未得到充分的探索。本文在现有CS算法的基础上，构造了一个离散杜鹃搜索（DCS）来求解旅行销售问题（TSP）。研究了两种方案，即离散步长和杜鹃的更新方案。与其他方法相比，DCS在TSP问题上进行了评估。实验结果表

原创 通过L-evy飞行进行布谷鸟搜索

英文：Cuckoo Search via L ́ evy Flights在本文中，我们打算制定一种新的元启发式算法，称为布谷鸟搜索(CS)，用于解决优化问题。这个算法是基于一些布谷鸟物种的强制性的幼虫寄生行为与一些鸟类和果蝇的L-evy飞行行为相结合。我们针对测试函数验证了所提出的算法，然后将其性能与遗传算法和粒子群优化的性能进行比较。最后，我们讨论了这些结果的含义和对进一步研究的建议。1. 引言越来越多受自然启发的现代元启发式算法正在出现，并且越来越流行。例如，粒子群优化（PSO）受到鱼和鸟群智能的启发，