搜索资源列表
geneticalgorithm
- 结合离散时间系统最优控制问题,提出一种新的混合算法.该算法是在遗传操作中嵌入模 拟退火算子,有效地结合了遗传算法隐含并行与模拟退火算法全局寻优的特点 -By embedding simulated annealing operator into genetic algorithm, a hybrid algorithm is put forward, which assimilates advantages ofboth genetic algorithm and simulated
yichuantuihuosuanfa
- 遗传算法，用来避免穷举法来寻求全局最优解，属于智能算法-The genetic algorithm is used to avoid the brute-force method to find the global optimal solution, belongs to the intelligent algorithm
1_2
- 某些实际问题的优化目标是求所有的局部最优解，即求解多峰寻优问题，为了求解多峰优化问题，提出了改造的微粒 群优化算法．尽量减少微粒群算法中的全局因素，从而增大其局部因素，同时采用变步长方法增加微粒的多样性．并给出了该算法 的原理和步骤．仿真实验表明该算法概念清楚，计算简单，具有很好的局部寻优特性，可应用求解于多峰寻优问题．另外还给出了几 个运算实例和与其它优化算法的比较-Some of the practical problems of optimization goal is
214545535242
- 基于混沌序列的多峰函数微粒群寻优算法的目标就是找到多峰函数的所有局部优化峰值。在分析微粒群优化 算法中各个参数对微粒运动影响的基础上，对微粒群算法进行改造，让微粒运动从初始位置沿优化函数曲线向优化峰值 方向爬行．直至找到所在区域的局部优化峰值；要想求得尽可能多的局部优化峰值，就要求微粒群中微粒的初始位置分 布具有随机性和遍历性。为此采用混沌序列设置微粒初始位置；为使每一个局部最优值点都可能有微粒群中的微粒经过， 采用变步长的迭代计算；为防止优化函数曲线的某些局部峰附近没有
111
- 人工蜂群算法是模仿蜜蜂行为提出的一种优化方法，是集群智能思想的一个具体应用，它的主要特点是不需要了解问题的特殊信息，只需要对问题进行优劣的比较，通过各人工蜂个体的局部寻优行为，最终在群体中使全局最优值突现出来，有着较快的收敛速度。-English
Genetic-algorithm-in-MATLAB
- 探讨了在 MATLAB 环境中实现遗传算法仿真的方法 ,并以一个简单的求函数最值的问 题作为遗传算法的应用实例 ,说明遗传算法的全局寻优性及用 MATLAB 实现仿真的可行性-Explore the genetic algorithm simulation in MATLAB environment, and the value of a simple demand function as genetic algorithm application examples, descr iption
Research-on-Optimization
- 介绍了基于模型的位姿估计中所使用的一些优化方法。为了提高位姿估计的精度, 摄像机的标定参数必须足够精确, 这就对标定过程的非线性优化算法提出了很高的要求, 采用了一种新的优化目标函数, 用来最小化控制点间的三维重建误 差, 从而使标定参数是全局最优 在双像机位姿估计中, 引入了实时遗传算法进行全局搜索, 加快了算法的收敛速度。最后的 实验证明了这些方法的正确性并显示出这些方法在精度上比传统方法有了较大程度的提高- It int roduces s ome opt imizat ion
TSP
- 商旅问题，蚁群算法，全局最优，局部最优，Tsp-Traffic problem, ant colony algorithm, the optimal path, the global optimum
yichuansuanfa
- 遗传算法（Genetic Algorithm，GA）是通过对自然界中生物的遗传和优胜劣汰的进化过程进行模拟与抽象，进而形成的一种自适应全局随机优化搜索方法。遗传算法只需提供目标函数作为寻优信息，它从某一随机生成的初始群体出发，经过选择、交叉和变异等遗传操作后对个体进行适应度评价，保留适应度较强的个体遗传到子代种群中，经过多次的迭代计算求得最优个体，即问题的最优解。本程序采用遗传算法可求解微网优化运行。-Genetic Algorithm is an adaptive global by natu
Archetype-Hull-Ranking
- 我们设计一个新奇的规则化框架以学习相似性度量用于无约束人脸验证。我们形式化它的目标函数通过融合鲁棒性对于大规模的个人人脸的内部变化和新奇的相似性度量的辨别力。额外，我们的形式是一个凸优化问题，保证了全局最优解的存在。-we migrate such a geometric model to address face recognition and verification together through proposing a unified archetype hull rankin