算法设计

1.使开发者能够轻松实用Java开发基于智能优化算法的应用 2.框架实现了GA、SAA、PSO等十余种智能优化算法 3.使用方法详见：https://gitee.com/zyflzz/ioaj.git

1. 本项目解决问题：准确重建具有复杂表面结构的 3D 点云模型。 2. 本项目采用基于编码器解码器架构的单幅图像三维重建方法实现，首先实现从图像到稀疏点云，然后实现从稀疏点云到密集点云重建，从而实现对复杂表面结构物体3D模型重建。 3. 结合论文和源代码（论文可私信）。

通过大量数据分析实现最适合的方案，决策支持系统（Decision Support System, DSS）是一种信息系统，它结合了计算机科学、数据管理和人工智能技术，旨在帮助决策者收集和分析信息，从而做出更好的决策。DSS通常包括以下组件： 数据管理：用于存储和管理数据的系统，包括数据库管理系统（DBMS）和其他数据仓库技术。 模型管理：包括用于处理和分析数据的统计和数学模型。 用户界面：使用户能够与系统交互，输入参数、查询信息以及查看结果的界面。 在您的工作中，如果涉及到植物科研测量和数据分析，一个决策支持系统可以帮助您更有效地管理数据、分析结果，并基于这些信息做出更明智的决策。

本项目针对目前卷积神经网络在轴承故障诊断领域存在的模型参数量大，模型抗噪音干扰能力不足，模型从小样本数据中进行特征学习和泛化的能力不足等问题，提出了一种基于多角度特征融合的轻量化卷积神经网络轴承故障诊断方法。该方法能够很好的融合局部特征和全局特征。实验表明，该方法具有良好的抗噪音干扰能力和小样本泛化能力，能够以极少的参数量达到非常高的识别准确率。

本项目提出了一种深度强化学习算法（多约束的PPO算法）以提高车辆的控制稳定性，本项目基于UE4实现了一个自动驾驶仿真环境，在该环境中跑通了车辆自动驾驶模型的训练、评估，证明了本项目提出算法的有效性。 深度强化学习（DRL）已经在各种具有挑战性的决策任务中进行了研究，例如自动驾驶。然而，DRL通常存在动作抖动问题，这意味着即使状态只有轻微差异，代理也可以选择具有很大差异的动作。这个问题的一个关键原因是DRL奖励的不当设计。在本文中，为了解决这个问题，我们提出了一种新的方法来将动作的平滑性纳入奖励中。具体来说，我们引入了子奖励，并添加了与这些子奖励相关的多个约束。此外，我们提出了一种多约束近端策略优化（MCPPO）方法来解决多约束DRL问题。大量的仿真结果表明，所提出的MCPPO方法在动作平滑性方面优于传统的比例-积分-微分（PID）和主流的DRL算法。

基于alphabeta剪枝算法的揭棋对战算法，水平大概揭七-八之间(C++、Python)。 该算法在知晓吃掉对方何种子力和不知晓己方暗棋损失的情况下，基于目前已经出现的明子和暗子的出现概率、分析不同走法的数学期望。 其他: Codeforces Master

1.懂目标检测，语义分割，物体分类的基本范式代码实现，pytorch框架为基础的深度学习代码调试，复现，改进；目标检测的yolo，fasterrcnn，detr等算法 2.进阶框架openmmlab系列，包括mmdetection，mmseg，mmcls，mmfewshot熟练使用和实现想法；yolo官方代码库ultralytics的熟练使用和实现想法；paddlepaddle的基础使用（熟练待学）； 3.还在自学大模型相关知识和java全套 4.语言：python，java，c++

本作品基于Tensorflow.js，使用其卷积等运算设计了一个嵌入到Typescript中的DSL语言，能使用这一DSL来设计各种规则的生命游戏，且支持GPU加速，在静默模式下平均可达到10到100倍的加速比 内置几种经典的生命游戏规则如b3s23等 支持自定义规则 暴露了record接口支持在其上进行神经网络训练

项目由本人独立开发，项目分为前端、后端、图数据库构建和应用、基于Langchain大模型Prompt工程开发，实现了基于知识图谱的智能问答。 使用 LangChain 构建应用程序后，当有用户提问时，系统会先通过代理找到合适的工具（知识图谱），然后通过工具获取数据，最后由 LLM + 私域数据生成一个流畅表达并回复用户。整个过程代理的调用会更复杂一些，当生成回复后系统会自动判断该LLM回复是否需要继续执行其它任务，是一个完全自主的递归调用流程。