资源列表
mason
- MASON代表多主体邻里或网络仿真(Multi-Agent Simulator of Neighborhoods or Networks)。它是乔治梅森大学用Java开发的离散事件多主体仿真核心库，具有快速、灵活和便携的特点。它本身支持轻量级的模拟需求，自含模型可以嵌入到其他Java应用当中，还可以选择2D和3D图形显示。-represent more or main Neighborhood Network Simulation (Multi-Agent Simulat or of Neigh
SGALAB1003beta3withdoc
- run the SGALAB_MO_VEGA_demo.m in command windows. to get beta3 version here: http://www.mathworks.com/matlabcentral/fileexchange/loadFile.do?objectId=5882 What s new: 1)fixed a critical bug in selection operation 2)update the 13 c
matlab遗传算法程序集
- matlab遗传算法程序 其中包括13个程序-Matlab genetic algorithm which includes 13 procedures
GeneticAlgorithms_matlab
- X(t)=Asin(2*pi *f *t+ q)+n(t) 估计其中的参数为A，f， q。n(t)为随机噪声，服从正态分布。 其他的具体见附件中的程序 -X (t) = 4sin (2 * pi * f * t q) n (t) is estimated parameters A, f, q. N (t) of random noise, subject to normal. Other specific see annex to the proceedings
tsp_matlab
- matlab 源程序 说明见程序本身，请用写字板打开先-Matlab source described the process itself, please use the tablet to open first
遗传算法new
- 遗传算法的matlab程序库 别人的辛勤劳动，请顶一下-GA Matlab procedures for the hard work of others, what the top
GA2jinzhi
- 遗传算法的编程用的时候只需要把优化函数一下就好了希望对大家有用-genetic algorithm programming time to use only what should optimization function can be a useful want to thank everyone
delphi7
- 迷宫原代码设计，自己做的，希望大家多指教-maze source design, done, I hope everyone exhibitions.
人工神经网络常用算法
- 该文件用ＭＡＴＬＡＢ实现了一个人工神经网络的预测算法-MATLAB an artificial neural network prediction algorithm
广义异或bp算法
- 本文件为用C语言实现的可实现广义异或问题的bp神经网络算法。该问题是对标准异或问题的推广。在标准异或问题中，输入X1和X2取离散量-1或+1，在广义异或问题中，输入（X1,X2）可以在区间[-1，+1] X [-1, +1]内任意取值，而输出为Y=sign(x1,x2)，其中sign()为符号函数，在区间[-1，+1] X [-1, +1]内随机产生500个训练样本.本程序用标准BP网实现该分类问题.-this document for the use of C language of achi
广义异或集成神经网络算法
- 本程序用C语言实现了集成神经网络解决广义异或问题。用神经网络集成方法做成表决网,可克服初始权值的影响,对神经网络分类器来说:假设有N个独立的子网,采用绝对多数投票法,再假设每个子网以1-p的概率给出正确结果,且网络之间的错误不相关,则表决系统发生错误的概率为 Perr = ( ) pk(1-p)N-k 当p<1/2时 Perr 随N增大而单调递减. 在工程化设计中,先设计并训练数目较多的子网,然后从中选取少量最佳子网形成表决系统,可以达到任意高的泛化能力。 -this pro
Hermit多项式在线学习ran算法
- 本程序用资源分配网(Resource_Allocation Network,简称RAN)实现了Hermit多项式在线学习问题。训练样本产生方式如下，样本数400，每个样本输入Xi在区间[-4,4]内随机产生（均匀分布），相关样本输出为F(Xi) = 1.1(1-Xi + Xi2)exp(-Xi2/2),测试样本输入在[-4，+4]内以0.04为间隔等距产生，共201个样本。训练结束后的隐节点为：11个，训练结束后的平均误差可达：0.03 -this program resources dis