搜索资源列表
Genetic_Algorithm
- 人工智能；进化算法；遗传算法（GA）；多目标最小生成树
Matlab遗传算法改进程序
- 遗传算法（Genetic Algorithm）是一类借鉴生物界的进化规律（适者生存，优胜劣汰遗传机制）演化而来的随机化搜索方法。它是由美国的J.Holland教授1975年首先提出，其主要特点是直接对结构对象进行操作，不存在求导和函数连续性的限定；具有内在的隐并行性和更好的全局寻优能力；采用概率化的寻优方法，能自动获取和指导优化的搜索空间，自适应地调整搜索方向，不需要确定的规则。遗传算法的这些性质，已被人们广泛地应用于组合优化、机器学习、信号处理、自适应控制和人工生命等领域。它是现代有关智能计算
pbbo
- 基于生物地理优化进化算法（BBO）代码，以及几组测试函数；使用方法： 输入BBO（@函数名），如BBO(@QuarticDisc) ）-matlab code for biography-based algorithm. The software can be run by typing the following MATLAB command： BBO(@"function name")
thegeneticalgorithm
- 遗传算法的基本运算过程如下: a)初始化:设置进化代数计数器t=0，设置最大进化代数T，随机生成M个个体作为初始群体P(0)。 b)个体评价:计算群体P(t)中各个个体的适应度。 c)选择运算:将选择算子作用于群体。选择的目的是把优化的个体直接遗传到下一代或通过配对交叉产生新的个体再遗传到下一代。选择操作是建立在群体中个体的适应度评估基础上的。 d)交叉运算；将交叉算子作用于群体。所谓交叉是指把两个父代个体的部分结构加以替换重组而生成新个体的操作。遗传算法中起核心作用的就是交叉算
multi-ctp1
- 一个基于阈值的粒子比较准则，用于处理多目标约束优化问题,该准则可以保留一部分序值较小且约束违反度在允许范围内的不可行解微粒,从而达到由不可行解向可行解进化的目的；一个新的拥挤度函数,使得位于稀疏区域和Pareto前沿边界附近的点有较大的拥挤度函数值,从而被选择上的概率也较大 从而构成解决多目标约束优化问题的混合粒子群算法。-A comparison based on the threshold criteria for the particle to handle multi-objective
pid
- 人工神经网络(Artificial Neural Network)是从生理角度对智能的模拟，具有极 高的学习能力和自适应能力，能够以任意精度逼近任意函数，完成对系统的仿真； 而遗传算法是对自然界生物进化过程的模拟，具有极强的全局寻优能力，这两种 算法都是当下研究较多的智能方法。将这两种方法与常规的 PID 控制相结合， 构成智能 PID 控制器，使其具有参数自整定、自适应的能力，以适应复杂环境 下的控制要求，这一思路对提高控制效果具有很好的现实意义。 -Artificia
DE
- 差分进化，智能计算的一种，和遗传算法，粒子群算法，蚁群算法是一类的。-Intelligent Computation ， inspired and Autonomic Computing ；Intelligent Computation ；smart computing
ant
- 蚁群算法(ant colony algorithm，简称ACA)是20世纪90年代由意大利学者M．Dorigo等人首先提出来的一种新型的模拟进化算法．它的出现为解决NP一难问题提供了一条新的途径．用蚁群算法求解旅行商问题(TSP)、分配问题(QAP)、调度问题(JSP)等，取得了一系列较好的实验结果．虽然对蚁群算法研究的时间不长，但是初步研究已显示出蚁群算法在求解复杂优化问题(特别是离散优化问题)方面具有一定的优势，表明它是一种很有发展前景的方法．蚁群算法的主要特点是：正反馈、分布式计算．正反馈
liziqunpso
- 粒子群算法是一种进化计算技术，来源于对鸟群捕食的思考,最早由Kenney与Eberhart 于1995年提出。在PSO中，寻找最优解被看做群体寻找目标。个体在搜索的过程中具有自己的位置和搜索速度。个体追寻最优个体在解空间中进行搜索。搜索的过程是一个反复的迭代过程。在这个过程中，个体完成的任务一是找寻自己认可的最优解；另个任务是获知群体得到的暂时最优解。 -The particle swarm optimization is an evolutionary computation tech
GeneticAlgorithm
- 遗传算法（Genetic Algorithm）是一类借鉴生物界的进化规律（适者生存，优胜劣汰遗传机制）演化而来的随机化搜索方法。它是由美国的J.Holland教授1975年首先提出，其主要特点是直接对结构对象进行操作，不存在求导和函数连续性的限定；具有内在的隐并行性和更好的全局寻优能力；采用概率化的寻优方法，能自动获取和指导优化的搜索空间，自适应地调整搜索方向，不需要确定的规则。遗传算法的这些性质，已被人们广泛地应用于组合优化、机器学习、信号处理、自适应控制和人工生命等领域。它是现代有关智能计算
MPQEA
- 多宇宙并行量子多目标进化算法。该算法主要思想如下：将所有的量子个体按给定的拓扑结构分成多个独立的子种群，划分为多个宇宙；采用目标个体均匀分配原则和动态调整旋转角机制对各宇宙量子个体进行演化；宇宙之间采用最佳移民操作来交换信息，设计最优个体保留方案以便各宇宙共享全局信息，提高算法的执行效率。-Multi-quantum universe parallel multi-objective evolutionary algorithm. The main idea of t
jhsf
- 本书论述深入浅出，从简单的实力介绍没中算法的原理，然后深入讨论他们的基本理论及应用技术，图文并茂，便于自学；包括，遗传算法，遗传规则，进化策略，金花规则4中算法，本书分别介绍他们的基本知识，基本理论及实施技术，全书共分5涨，跟别为绪论，遗传算法，遗传规划，进化策略，进化规划-This book discusses in simple terms, the strength of introduction from a simple principle of the algorithm is no
wenhualiziqun
- 文化算法是一种用于解决复杂计算的新型全局优化搜索算法，它模拟人类社会的演化过程。在人类社会中，文化可以被看做是信息的载体，这些信息潜在地影响所有社会成员，并且有益于指导同代及其后代解决问题的实践活动。区别于其他进化算法，文化算法是基于知识的双层进化系统，其包含两个进化空间：一个是由在进化过程中获取的经验和知识组成的信仰空间；另一个是由具体个体组成的种群空间，通过进化操作和性能评价进行自身的迭代。-Culture is an algorithm to solve complex calculati
Differential-evolution
- 差分进化方法是一种新的智能算法，可以和多种算法结合，例如神经网络优化；约束性算法；线性算法。-Differential evolution method is a new intelligent algorithm, and can be combined with a variety of algorithms, such as neural network optimization constraint algorithm linear algorithm.
PSO
- Python 实现的粒子群优化算法 粒子群算法源于复杂适应系统（Complex Adaptive System,CAS）。CAS理论于1994年正式提出，CAS中的成员称为主体。比如研究鸟群系统，每个鸟在这个系统中就称为主体。主体有适应性，它能够与环境及其他的主体进行交流，并且根据交流的过程“学习”或“积累经验”改变自身结构与行为。整个系统的演变或进化包括：新层次的产生（小鸟的出生）；分化和多样性的出现（鸟群中的鸟分成许多小的群）；新的主题的出现（鸟寻找食物过程中，不断发现新的食物）。(Par
yichuansuanfawugong
- 遗传算法(genetic algorithm，GA)是一种近年来发展起来的基于自然选择规律的进化算法，本程序利用改进型遗传算法对电力系统进行无功优化，与遗传算法进行比较，通过实际算例分析及MATLAB编程结果运行，成功解决了无功优化问题，并验证了改进型遗传算法的优越性。(The genetic algorithm (genetic algorithm GA) is an evolutionary algorithm based on natural selection rules develop
DE_FOPID
- 差分进化算法，整定分数阶PID控制器参数(Differential evolution algorithm, tune fractional PID controller parameters)
遗传算法
- 利用遗传算法计算目标函数极值，遗传算法与传统的优化方法（枚举，启发式等）相比较，以生物进化为原型，具有很好的收敛性，在计算精度要求时，计算时间少，鲁棒性高等都是它的优点。(Using the genetic algorithm to calculate the extremum of a objective function. Compared with the traditional optimization methods (enumeration, heuristics, etc.), g
多目标进化+多目标粒子群优化代码
- 多目标粒子群优化，多目标进化算法，两种方法能够有效的解决复杂的优化问题(optimization based on intelligent swarm)
多种群GA算法的函数优化算法
- 突破SGA仅靠单个群体进行遗传进化的框架，引入多个种群同时进行优化搜索；不同的种群赋以不同的控制参数，实现不同的搜索目的。