搜索资源列表
模拟退火例子1
- 模拟退火算法来源于固体退火原理，将固体加温至充分高，再让其徐徐冷却，加温时，固体内部粒子随温升变为无序状，内能增大，而徐徐冷却时粒子渐趋有序，在每个温度都达到平衡态，最后在常温时达到基态，内能减为最小。根据Metropolis准则，粒子在温度T时趋于平衡的概率为e-ΔE/(kT)，其中E为温度T时的内能，ΔE为其改变量，k为Boltzmann常数。用固体退火模拟组合优化问题，将内能E模拟为目标函数值f，温度T演化成控制参数t，即得到解组合优化问题的模拟退火算法：由初始解i和控制参数初值t开始，对
模拟退火例子2
- 模拟退火算法来源于固体退火原理，将固体加温至充分高，再让其徐徐冷却，加温时，固体内部粒子随温升变为无序状，内能增大，而徐徐冷却时粒子渐趋有序，在每个温度都达到平衡态，最后在常温时达到基态，内能减为最小。根据Metropolis准则，粒子在温度T时趋于平衡的概率为e-ΔE/(kT)，其中E为温度T时的内能，ΔE为其改变量，k为Boltzmann常数。用固体退火模拟组合优化问题，将内能E模拟为目标函数值f，温度T演化成控制参数t，即得到解组合优化问题的模拟退火算法：由初始解i和控制参数初值t开始，对
模拟退火例子3
- 模拟退火算法来源于固体退火原理，将固体加温至充分高，再让其徐徐冷却，加温时，固体内部粒子随温升变为无序状，内能增大，而徐徐冷却时粒子渐趋有序，在每个温度都达到平衡态，最后在常温时达到基态，内能减为最小。根据Metropolis准则，粒子在温度T时趋于平衡的概率为e-ΔE/(kT)，其中E为温度T时的内能，ΔE为其改变量，k为Boltzmann常数。用固体退火模拟组合优化问题，将内能E模拟为目标函数值f，温度T演化成控制参数t，即得到解组合优化问题的模拟退火算法：由初始解i和控制参数初值t开始，对
mathmodel
- 这是一个好的建模学习资料,赶快下载吧, 数学建模十大算法 ( 包含:蒙特卡罗算法、数据拟合、参数估计、 插值等数据处理算法、线性规划、整数规划、多元规划、二次规划等规划类问题、 图论算法、动态规划、回溯搜索、分治算法、分支定界等计算机算法、 最优化理论的三大非经典算法：模拟退火法、神经网络、遗传算法、 网格算法和穷举法、一些连续离散化方法、数值分析算法、图象处理算法）-This a good model to study the information, downloa
rjMCMC1
- 一个可逆跳转蒙特卡罗采样（RJMCMC）算法详细程序，内附相关论文，对照论文看算法，便于理解。包含多种运动方式（增加，减少，分裂，合成，更新）
MonteCarlo
- 蒙特卡罗算法讲解，课件，第一章 理论原理-On the Monte Carlo algorithm, courseware, chap theoretical principle
TSP
- 模拟退火算法来源于固体退火原理，将固体加温至充分高，再让其徐徐冷却，加温时，固体内部粒子随温升变为无序状，内能增大，而徐徐冷却时粒子渐趋有序，在每个温度都达到平衡态，最后在常温时达到基态，内能减为最小。根据Metropolis准则，粒子在温度T时趋于平衡的概率为e-ΔE/(kT)，其中E为温度T时的内能，ΔE为其改变量，k为Boltzmann常数。用固体退火模拟组合优化问题，将内能E模拟为目标函数值f，温度T演化成控制参数t，即得到解组合优化问题的模拟退火算法：由初始解i和控制参数初值t开始，
fire
- 模拟退火算法是基于蒙特卡罗迭代求解法的一种启发式随机搜索过程。本文给出了该算法的详细介绍和伪代码。-Monte-Carlo simulated annealing algorithm is based on a heuristic iterative method for solving stochastic search process. This paper gives a detailed descr iption of the algorithm and pseudo code.
mnth
- 模拟退火算法来源于固体退火原理，将固体加温至充分高，再让其徐徐冷却，加温时，固体内部粒子随温升变为无序状，内能增大，而徐徐冷却时粒子渐趋有序，在每个温度都达到平衡态，最后在常温时达到基态，内能减为最小。根据Metropolis准则，粒子在温度T时趋于平衡的概率为e-ΔE/(kT)，其中E为温度T时的内能，ΔE为其改变量，k为Boltzmann常数。用固体退火模拟组合优化问题，将内能E模拟为目标函数值f，温度T演化成控制参数t，即得到解组合优化问题的模拟退火算法：由初始解i和控制参数初值t开始，对
mcmc
- 经典的算法程序，让你的问题顺利而解！很多，像马尔可夫链、蒙特卡罗算法，蚁群算法等等。-Classical algorithm procedure for smooth solution to your problem! Many, such as Markov chain Monte Carlo algorithm, ant colony algorithm and so on.
GA.cpp
- 选择:根据遗传算法的收敛定理,赌轮法(蒙特卡罗法) ,进行个体选择。交叉:交叉互换的重要特征是它能产生不同于父体的子体。交叉概率越大,交叉操作的可能性也越大 如果交叉率太低,收敛速度可能降低。单阈值分割由于只有一个参数,所以采用一点交叉,在此设置交叉概率为0.65。变异:变异概率为0.01 。-This is a simple genetic algorithm implementation where the evaluation function takes positive values
algorithms
- 十大算法论文，包括遗传算法，模拟退火，蒙特卡罗法等等，对于初学者很有帮助-Ten papers algorithms, including genetic algorithms, simulated annealing, Monte Carlo method, etc., very helpful for beginners! !
Markov_Chain_Monte_Carlo_Methods
- 详细讲述了马尔科夫蒙特卡罗算法的实现原理。-Details about 马尔科夫蒙 Monte Carlo algorithm implementation principle.
SA
- 模拟退火算法 模拟退火算法来源于固体退火原理，将固体加温至充分高，再让其徐徐冷却，加温时，固体内部粒子随温升变为无序状，内能增大，而徐徐冷却时粒子渐趋有序，在每个温度都达到平衡态，最后在常温时达到基态，内能减为最小。根据Metropolis准则，粒子在温度T时趋于平衡的概率为e-ΔE/(kT)，其中E为温度T时的内能，ΔE为其改变量，k为Boltzmann常数。用固体退火模拟组合优化问题，将内能E模拟为目标函数值f，温度T演化成控制参数t，即得到解组合优化问题的模拟退火算法：由初始解i
PARTICLE-FILTER-ISSUES
- 针对基于贝叶斯原理的序贯蒙特卡罗粒子滤波器出现退化现象的原因, 以无敏粒子滤波(U PF)、辅助粒子滤波 (A S IR) 及采样重要再采样(S IR) 等改进的粒子滤波算法为例, 对消除该缺陷的关键技术(优化重要密度函数及再采样) 进行了 分析研究。说明通过提高重要密度函数的似然度、引进当前测量值、预增和复制大权值粒子等方式, 可以有效改善算法性能。 最后通过对一无源探测定位问题进行仿真, 验证了运用该关键技术后, 算法的收敛精度和鲁棒性得到进一步增强。- Abstract:W e
small_mc
- 蒙特卡罗小算法程序MC VC/C++ 简便的可执行蒙特卡罗程序-MC MONTE CARLO SMALL-ari
amc02
- 反算法蒙特卡罗。程序是老师直接给的，可能会有小bug-the amc of MonteCarle
vilw
- 蒙特卡罗算法,用盟特卡罗算法模拟光在组织钟的传播,也可以模拟其它领域随机粒子的运动等,()
qpso
- 量子粒子群算法：因为粒子的位置和速度在量子空间中不能一起确定，所以用波函数表示粒子位置，通过蒙特卡罗方法求出粒子位置。gbest求解通过平均最好位置mbest得到。mbest是所有个体平均最优，通过它来求解粒子出现在相对点的位置，用L表示。而粒子的势表示位置的最终值，与L直接相关。(Quantum particle swarm optimization (QPSO): because the position and velocity of the particle can not be det