熊舍尼奥-CSDN博客

原创跑代码：UAV-path

CreateModel.mCreateRandomSolution.mDistP2S.mMyCost.mSPSO_MAIN.m调用前面定义的函数

2022-01-11 15:18:29 201

原创 Dell PowerEdge R730服务器使用

用户手册登录用户名 rootpassword sdn%nf123Linux操作查看系统基本信息查看Linux系统版本lsb_release -a进入图形界面startx退出 init 3 Ctrl+Alt+F6关机poweroff

2021-09-27 11:18:35 1182

原文链接https://cs231n.github.io/python-numpy-tutorial/Python Tutorial With Google Colab检查python版本!python --version经典快速排序def quicksort(arr): if len(arr) <= 1: return arr pivot = arr[len(arr) // 2] left = [x for x in arr if x < p

2021-09-15 11:32:55 527

转载泊松分布，指数分布与排队论模型

转自http://www.ruanyifeng.com/blog/2015/06/poisson-distribution.html泊松分布和指数分布：10分钟教程泊松分布与指数分布泊松分布泊松分布就是描述某段时间内，事件具体的发生概率。日常生活中，大量事件是有固定频率的:某医院平均每小时出生3个婴儿某公司平均每10分钟接到1个电话某超市平均每天销售4包xx牌奶粉某网站平均每分钟有2次访问它们的特点就是，我们可以预估这些事件的总数，但是没法知道具体的发生时间。上面就是泊松分布的公

2021-03-22 14:37:37 9036 1

原创 Human-level control through deep reinforcement learning(算法部分翻译)

Human-level control through deep reinforcement learning算法在一系列动作、观察和奖励中，我们考虑代理与环境交互的任务，在这种情况下是雅达利仿真器。在每个时间步，代理从合法游戏动作集合中选择一个动作ata_tat，A={1,...K}\Alpha=\{1,...K\}A={1,...K}。该动作被传递给仿真器，并修改其内部状态和游戏分数。一般来说，环境可能是随机的。代理不观察模拟器的内部状态；相反，代理观察来自仿真器的图像xt∈Rdx_t\i

2020-12-19 15:36:15 567 1

原创射频通信系统中信息年龄优化的强化学习框架（论文翻译）

射频通信系统中信息年龄优化的强化学习框架摘要本文研究了一种实时监控系统，在该系统中，多个源节点负责向一个公共目的节点发送更新包，以保持目的地信息的新鲜性。由于在所有源节点中更换电池或进行充电并不总是可行，我们认为节点是通过目的地的无线能量传输（WET）供电的。对于此设置，我们研究了一种最优在线采样策略（称为年龄最优策略），此策略联合优化无线能量传输和更新包传输的调度，目标是使目的地节点不同物理进程（源节点观测到的）的长期平均加权信息年限（AoI）值最小化，称为sum-AoI。为了解决这一优化问题，我们首

2020-10-24 21:09:33 2093

原创 Tensorflow-gpu安装步骤

判断Gpu是否可用tensorflow tf.is_gpu_available()打开jupyter notebookjupyter notebook

2020-10-13 15:15:31 4588

原创 Deep Learning for Intelligent Wireless Networks: A Comprehensive Survey

Deep Learning for Intelligent Wireless Networks: A Comprehensive Survey基于智能无线网络的深度学习：全面调查摘要As a promising machine learning tool to handle the accurate pattern recognition from complex raw data, deep learning (DL) is becoming a powerful method to add i

2020-07-02 11:11:01 9122 3

smartxiong_的博客