支持向量机（SVM），起初由vapnik提出时，是作为寻求最优（在一定程度上）二分类器的一种技术。後来它又被拓展到回归和聚类应用。SVM是一种基于核函数的方法，它通过某些核函数把特征向量映射到高维空间，然後建立一个线性判别函数（或者说是一个高维空间中的能够区分训练数据的最优超平面，参考异或那个经典例子）。假如SVM没有明确定义核函数，高维空间中任意两点距离就需要定义。

通过两点之间的距离来实现多点之间的相互定位，利用遗传算法实现，可用于Zigbee模块的室内定位。-Through the distance between two points to achieve multi-point between the positioning, the use of genetic algorithm, can be used for indoor positioning Zigbee module.

求解K短路问题的一种创新算子的单亲遗传算法源程序，该程序需要一个distance.txt文本文件，从中读取任意两点间距离数据。本程序所解决的为有26个节点的任意两点间K短路问题。-Solving K shortest path problem in an innovative operator of single-parent genetic algorithm source code, the program requires a distance.txt text file, read fr

SVM: 一种分类器，采用最大化分类间隔进行优化参数。 关于这个分类器两点比较重要： 1）SMO优化算法需要掌握， 可以具体参看两篇文章，John Platt的文章 以及“Improvements to Platt s SMO algorithm for SVM Classifier Design” 2）核函数的使用，如何将核函数使用到SVM中，核函数就是空间转换的函数， 说白了就是距离计算函数，如何将同类之间的距离计算的比较近，如何将低维空间转换到易于分类的高维空间