搜索资源列表
演化计算(实例-多峰函数最值)
- 演化计算是基于随即搜索的新算法；它的技术模型源于自然的演化。下面是一个例子，该函数是典型的多峰（震动剧烈）的函数。用的算法是郭涛算法。-evolutionary computation is based on the then new search algorithm; It stems from the technical model of the natural evolution. Below is an example of this function is a typical mult
hopfield－朱林
- 本文将介绍Hopfield神经网络(HNN)的产生、发展及基本原理，重点是对离散Hopfield网络(DHNN)的说明。包括：网络结构、涉及的算法和神经网络的训练方法；具体实例描述网络的联想去噪功能；进行计算机仿真计算及仿真结果说明；仿真程序的说明文档（仿真程序附后）；最后将对DHNN的最新发展状况作简单阐述。
immunity
- 提供一个人工免疫算法源程序，其算法过程包括： 1.设置各参数 2.随机产生初始群体——pop=initpop(popsize,chromlength) 3.故障类型编码，每一行为一种！code(1,:)，正常；code(2,:)，50％；code(3,:)，150％。实际故障测得数据编码，这里Unnoralcode,188％ 4.开始迭代（M次）： 1）计算目标函数值：欧氏距离[objvalue]=calobjvalue(pop,i) 2）计算群体中
BP
- 基于BP神经网络的 参数自学习控制 （1）确定BP网络的结构，即确定输入层节点数M和隐含层节点数Q，并给出各层加权系数的初值 和 ，选定学习速率 和惯性系数 ，此时k=1； （2）采样得到rin(k)和yout(k)，计算该时刻误差error(k)=rin(k)-yout(k)； （3）计算神经网络NN各层神经元的输入、输出，NN输出层的输出即为PID控制器的三个可调参数 ， ， ； （4）根据(3.34)计算PID控制器的输出u(k)； （5）进行神经网络学习，在线调整加权
neural-network-back-propagation-algorithm
- 每一个训练范例在网络中经过两遍传递计算：一遍向前传播计算，从输入层开始，传递各层并经过处理后，产生一个输出，并得到一个该实际输出和所所需输出之差的差错矢量；一遍向反向传播计算，从输出层至输入层，利用差错矢量对权值进行逐层修改。BP算法有很强的数学基础，戏剧性地扩展了神经网络的使用范围，产生了许多应用成功的实例，对神经网络研究的再次兴起过很大作用。
Genetic-algorithm
- Visual C++实现的基因遗传算法库源代码以演示程序Free Source Code for Genetic algorithm 2008年05月21日 C++, Windows, Win32, Visual Studio, MFC, STL, Arch, Dev, Design 基因遗传算法都是针对概率的，所以因为其随机的本质，导致其结果可能是好的，也可能是坏的，于是我们就需要一个方法确认这个解到底有多大的可用性。这是通过计算相似拟合度进行衡量的。染色体Chromosomes代
hopfild1
- Hopfield 网——擅长于联想记忆与解迷路 实现H网联想记忆的关键，是使被记忆的模式样本对应网络能量函数的极小值。 设有M个N维记忆模式，通过对网络N个神经元之间连接权 wij 和N个输出阈值θj的设计，使得: 这M个记忆模式所对应的网络状态正好是网络能量函数的M个极小值。 比较困难，目前还没有一个适应任意形式的记忆模式的有效、通用的设计方法。 H网的算法 1）学习模式——决定权重 想要记忆的模式，用-1和1的2值表示 模式：-1，-1，1，-1，1，1，... 一般表示： 则任意两个神经元
BP神经网络源程序
- 基于C开发的三个隐层神经网络，输出权值、阈值文件，训练样本文件，提供如下函数：1）初始化权、阈值子程序；2）第m个学习样本输入子程序；3）第m个样本教师信号子程序；4）隐层各单元输入、输出值子程序；5）输出层各单元输入、输出值子程序；6）输出层至隐层的一般化误差子程序；7）隐层至输入层的一般化误差子程序；8）输出层至第三隐层的权值调整、输出层阈值调整计算子程序；9）第三隐层至第二隐层的权值调整、第三隐层阈值调整计算子程序；10）第二隐层至第一隐层的权值调整、第二隐层阈值调整计算子程序；11）第一
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
运动员最佳匹配问题
- 羽毛球队有男女运动员各n人。给定2 个n×n矩阵P和Q。P[i][j]是男运动员i和女运动员j配对组成混合双打的男运动员竞赛优势；Q[i][j]是女运动员i和男运动员j配合的女运动员竞赛优势。由于技术配合和心理状态等各种因素影响，P[i][j]不一定等于Q[j][i]。男运动员i和女运动员j配对组成混合双打的男女双方竞赛优势为P[i][j]*Q[j][i]。设计一个算法，计算男女运动员最佳配对法，使各组男女双方竞赛优势的总和达到最大。 输入：。第一行有1 个正整数n (1≤n≤20
Perceptron-and-ADALINE-network
- 这些程序包括以下方面1.使用感知器和ADALINE网络对字母进行识别。2.随机选取初始权向量，选取适当的迭代步长(对ADALINE网络)，用给出的四个输入训练样本，对上述两个网络分别进行训练，直到网络收敛；3.对Adaline网络选取不同的值，分别画出误差曲线，观察它们的变化规律；4.对感知器选取不同的初始权向量，分别计算每类训练样本到超平面的距离，观察它们的异同；5.训练结束后，检验网络的识别能力(使用100个检测样本，对应于每个取25个含噪的变形)：6.比较Adaline和单神经元感知器的分
DM4
- 执行流程： 1. 用户输入参数：K的选择，训练数据，测试数据的路径； 2. 读取训练数据集和测试数据集文件，用ArffFileReader类读取并组织起InstanceSet数据结构； 3. 利用上面的相似度量标准，对每一个测试集中的Instance，计算与其最相似的K个训练集中的Instance，通过投票进行分类，将分类结果存储经Instance的成员变量targetGuess中； 4. 对分类结果进行度量，包括分类正确率，各种类别实例的Precision，Recall；Con
Romberg
- (1) 设计算法并编制程序，进行调试。 (2) 用调试好的程序解决如下问题： 计算 的近似值，取精度为 步骤一、先编制计算函数值的程序； 步骤二、执行编制好的Romberg算法，输出T。 (3)用Romberg算法和复合Simpson公式分别计算 的近似值， 其中b分别取为b=0.1, 0.3, 0.5, 0.7, 0.9 -(1) the design of algorithms and programming, for debugging. (2) wit
BP-matlab
- 基于C开发的三个隐层神经网络,包括 1）初始化权、阈值子程序； 2）第m个学习样本输入子程序； 3）第m个样本教师信号子程序； 4）隐层各单元输入、输出值子程序； 5）输出层各单元输入、输出值子程序； 6）输出层至隐层的一般化误差子程序； 7）隐层至输入层的一般化误差子程序； 8）输出层至第三隐层的权值调整、输出层阈值调整计算子程序； 9）第三隐层至第二隐层的权值调整、第三隐层阈值调整计算子程序； 10）第二隐层至第一隐层的权值调整、第二隐层阈值调整计算子
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
KMEANS
- k-means 算法接受输入量 k ；然后将n个数据对象划分为 k个聚类以便使得所获得的聚类满足：同一聚类中的对象相似度较高；而不同聚类中的对象相似度较小。聚类相似度是利用各聚类中对象的均值所获得一个“中心对象”（引力中心）来进行计算的。 k-means 算法的工作过程说明如下：首先从n个数据对象任意选择 k 个对象作为初始聚类中心；而对于所剩下其它对象，则根据它们与这些聚类中心的相似度（距离），分别将它们分配给与其最相似的（聚类中心所代表的）聚类；然后再计算每个所获新聚类的聚类中心（该聚类
kmeans
- k-means 算法接受参数 k ；然后将事先输入的n个数据对象划分为 k个聚类以便使得所获得的聚类满足：同一聚类中的对象相似度较高；而不同聚类中的对象相似度较小。聚类相似度是利用各聚类中对象的均值所获得一个“中心对象”（引力中心）来进行计算的。-k-means algorithm takes parameters k and then advance the input data object is divided into n-k-clustering in order to make
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
Fisher1
- Fisher线性分类器的设计,1、掌握Fisher线性判别方法；2、掌握Bayes决策的错误率的计算；3、掌握分类器错误率的估算方法。 -The design of Fisher.