搜索资源列表
r43
- 鲁棒控制器设计，由于RBF网络可以实现任意逼近的非线性关系，它的目标是要做到误差平方和最小，与非线性PCA的目标一致，所以上述非线性PCA的模型可以通过采用两个RBF网络来实现非线性正变换 和反变换 。RBF网络是一个三层前馈网络，隐层采用径向基函数作为激励函数。第一个RBF网络把高维空间的数据映射到低维空间（如图4），第二个RBF网络将前面网络输出的低维空间数据再映射到高维空间，实现数据恢复(如图5)。这两个网络分别进行训练。-robust controller design, as RBF
Lab4_Task1
- IE3节点的潮流优化，可以进行以网损最小为目标函数进行潮流优化计算，仿真。-IE3 nodes to optimize the trend can be carried out in order to minimize loss to the trend of the objective function for the optimization calculation, simulation.
Transmission-Network-Expans1on
- 应用遗传算法做电网规划，把遗传算法应用于输电网络规划，提出了基于遗传算 法的输电网络规划模型，以新建线路的投资费用和系统年运 行费用之和最小为目标函数，建立了输电网络规划的数学模型。该模型还考虑了“N-1”事故检验，使得规划方案更加合理。以Garver-6节点系统为例进行优化规划-The application of genetic algorithms to do network planning
Newton
- 压缩包里包含了无约束优化问题常用的几种求解方法的源程序：变量轮换法（variable_rotation.m）、最速下降法（steepest_descent.m）、修正牛顿法（modified_newton.m）、共轭梯度法（conjugate_gradient.m）。另外，coefficient_matrix.m为目标函数系数获得矩阵，minval.m为最小值计算函数，gradient.m为梯度计算函数-Compression bag contains unconstrained optimiz
PSO
- 经典粒子群算法，经过多次优化，演示出图， 待优化的目标函数：N 粒子数目：N 惯性权重：w 学习因子：c1,c2 最大迭代次数：M 问题的维数：D 目标函数取最小值时自变量值：xm 目标函数的最小值：fv-Classical particle swarm algorithm, optimized for many times, demonstrates plotting objective function to be optimized: N of
a
- 10个自行车租赁点的需求量和拥有量及相关位置为依据，建立调度运行成本最小的目标函数，采取C++编程的方法求解最优调度方案。 针对该调度问题，分析自行车拥有量超过或者少于需求量的不同租赁点，并假设自行车缺少的租赁点不向外调度自行车，只接受拥有量大于需求量的租赁点的自行车调入，在定义相关常量、初始化相关数据结构的基础上，使用递归算法，求解主函数使得调度成本最少，即 。先计算任意调配方案及每个多车的租赁点在调配后剩余车辆，并根据租赁点剩余数值计算最小花费，若此花费大于记录的最小花费，证明此种调配不
PSO
- 粒子群优化算法：利用CSharp软件，求得目标函数的最小值-Particle Swarm Optimization： using CSharp software to obtain the minimum value of the objective function
ACO
- 给定威胁源，利用蚁群算法规划出从指定起始点到目标点的满足代价函数最小的轨迹。-Given the threat source, using ant algorithm mapped out from the designated starting point to the target point trajectory to meet the minimum cost function.
vbdllzhuru
- VB DLL注入后子类化指定窗口，双击想放进托盘的窗口名,然后那个窗口以后最小化都会放进托盘里(仅限本次运行,下次运行会失效)，打开了内存进行读写操作，在目标程序的内存分配一段空间用来写注入机器码，输出汇编代码,返回机器码，调用函数增加一个窗口，恢复EAX，有时候文件还没写完就到了这里,所以判断一下文件长度是否正常,如果不正常倒回重新等待一下-VB DLL injection after subclass of the specified window, double-click the win
ActiveModels_version7
- 使用连续曲线来表达目标边缘，并定义一个能量泛函使得其自变量包括边缘曲线，因此分割过程就转变为求解能量泛函的最小值的过程，一般可通过求解函数对应的欧拉(Euler．Lagrange)方程来实现，能量达到最小时的曲线位置就是目标的轮廓所在。-Continuous curve to express goal edge, and define an energy functional so that its arguments including edge curve, so segmentation
DIRECT.tar
- 我们考虑的问题最小化一个连续可微的函数的几个变量服从 简单数据绑定约束限制的一些变量的整数值。我们假设 目标函数的一阶衍生品可以显式计算和近似。 这类混合整数非线性优化问题出现在许多工业和频繁 科学应用,这促使derivative-free方法的研究越来越感兴趣 他们的解决方案。连续变量是由linesearch策略而解决 离散的我们雇佣当地的一个类型的搜索方法。我们提出了不同的算法 以当前迭代的方式更新和满意的平稳性条件 序列的极限点。-We consider the probl
minBFGS
- 用BFGS法求解多维函数的极值 function [x,minf]=minBFGS(f,x0,var,eps) 目标函数：f 初始点：x0 自变量向量：var 精度：eps 目标函数取最小值时的自变量值：x 目标函数的最小值：minf- By BFGS method for solving the multi-dimensional function of the extreme value function [x, minf] = minBFGS (
minDefTW
- 用显式最速下降法求正定二次函数的极值 function [x,minf]=minDefTW(f,A,x0,var,eps) 目标函数：f 正定矩阵：A 初始点：x0 自变量向量：var 精度：eps 目标函数取最小值时的自变量值：x 目标函数的最小值：minf- Explicit steepest descent method the positive quadratic function of the extreme value functio
main
- 能够实现多变遗传算法求解目标函数最大最小值，(To achieve the variable genetic algorithm for maximum and minimum)
yichuansaunfa程序
- 遗传算法优化程序，计算目标函数最小值，只需修改目标函数和种群初始化参数(Genetic algorithm optimization procedures to calculate the minimum objective function)
Solvpt
- 程序解决方案(解决本地优化问题的解决方案) 非线性，可能是非光滑的目标的最小化或最大化 函数和非线性规划问题的解决方案 所谓的精确惩罚方法的帐户约束(The program SolvOpt (Solver for local optimization problems) is concerned with minimization or maximization of nonlinear, possibly non-smooth objective functions and with
多目标优化（遗传算法）
- 多目标优化算法，遗传算法，函数求最大值、最小值问题。(Multi-objective optimization algorithm, genetic algorithm, function for maximum value, minimum value problem.)
fonctionpane
- 用动态规划法计算目标函数最小化的优化程序,实用性很强,()
constrained optimization
- 主要解决在自变量满足约束条件的情况下的目标函数最小化问题，其中约束条件既可以是等式约束也可以是不等式约束。(It mainly solves the problem of minimizing the objective function under the condition that the independent variables satisfy the constraint conditions. The constraint condition can be either an eq
Q函数
- 采用matlab平台实现该非线性规划问题，采用函数为fmincon命令 fmincon命令的一般参数形式为fmincon(‘fun’,x0,A,b,Aeq,beq,lb,ub,’nonlinearcondition’)，其中各个参数含义如下： fun??? 目标函数(以求最小值为目标函数) x0???? 最优解迭代的初始值 A,b ???线性约束不等式A*x<= b Aeq,beq??? 线性约束等式Aeq*x =beq lb,ub?? 自变量的上下界 nonlinearco