搜索资源列表
jiandan0101
- 这是一个非常简单的遗传算法源代码,代码保证尽可能少,实际上也不必查错。对一特定的应用修正此代码,用户只需改变常数的定义并且定义“评价函数”即可。注意代码 的设计是求最大值,其中的目标函数只能取正值;且函数值和个体的适应值之间没有区别。该系统使用比率选择、精华模型、单点杂交和均匀变异。如果用 Gaussian变异替换均匀变异,可能得到更好的效果。代码没有任何图形,甚至也没有屏幕输出,主要是保证在平台之间的高可移植性。读者可以从ftp.uncc.edu, 目录 coe/evol中的文件prog.c中
sgayiyuanyouhua
- 改进遗传算法-郭涛算法做最优化问题很管用,算法的基本思想是 先任意产生n个随机数,然后从n个数里随机选择m个数,再有这m个 数合成一个新数,将这个新数同n个数中间适应值函数值的最差的比较, 如果好的话就取代最差的那个,如果它比最好的还要好的话,则把最好的 也取代。如果比最差的坏,则重新合成一个新数。依次循环下去。 -improved genetic algorithm - Guo Tao algorithm optimization is the most
bpsuanfa
- 用GA直接训练BP网络的权重算法 主程序:gafault.m 它包括以下子程序: 1. BP网络初始化:nninit.m――给出P,T,R,S1,S2; 2. 适应值计算函数:gabpEval.m; 3.将遗传算法的编码解码为BP网络所对应的权值、阈值函数:gadecod.m;
Pso
- 模拟一群鸟捕食的情景,从而达到优化目标函数的目的,这就是粒子群算法!起初在可行的空间中随机的产生一群粒子,然后让每个粒子开始在虚拟的空间中向四面八方飞翔,并且每个粒子都记下他们飞过的适应值(也就是目标优化函数)最高的点,而且整个粒子群有一个最高适应值个体,这样,粒子在飞翔的时候尽量朝向自己曾飞过的最好的点和集体的最好的点。最后达到收敛到近似最优点的目的。
code
- 一个遗传算法 这是一个非常简单的遗传算法源代码,是由Denis Cormier (North Carolina State University)开发的,Sita S.Raghavan (University of North Carolina at Charlotte)修正。代码保证尽可能少,实际上也不必查错。对一特定的应用修正此代码,用户只需改变常数的定义并且定义“评价函数”即可。注意代码 的设计是求最大值,其中的目标函数只能取正值;且函数值和个体的适应值之间没有区别。该系统使用比率选择
GA
- 遗传算法,寻找f(x,y)=sinx*siny/(x*y)的最大适应值及其相应的位置。精度为0.0001种群数设定为50
gaandann
- 基于遗传算法的神经网络程序,共三个文件,主程序,适应值函数和应用示例
pso
- 二进制粒子群优化算法pso,主程序:swarmpso.m 它包括以下子程序: 1. 初始化:swarminit.m 2. 适应值计算函数:swarmeval.m;
BPnetware2
- 用遗传算法优化BP神经网络的Matlab编程适应值函数
simplegeneticalgorithmimplementation
- 这是一个非常简单的遗传算法源代码,是由Denis Cormier (North Carolina State University)开发的,Sita S.Raghavan (University of North Carolina at Charlotte)修正。代码保证尽可能少,实际上也不必查错。对一特定的应用修正此代码,用户只需改变常数的定义并且定义“评价函数”即可。注意代码 的设计是求最大值,其中的目标函数只能取正值;且函数值和个体的适应值之间没有区别。该系统使用比率选择、精华模型、单点杂
ga
- 遗传算法(Genetic Algorithm,GA)是一种抽象于生物进化过程的基于自然选择和生物遗传机制的优化技术. 遗传算法的基本原理 在遗传算法的执行过程中,每一代有许多不同的种群个体(染色体 )同时存在。这些染色体中哪个保留(生存)、哪个淘汰(死亡),是根据 它们对环境的适应能力来决定的,适应性强的有更多的机会保留下来 。适应性强弱是通过计算适应性函数f(x)的值来判别的,这个值称为适应值。适应值函数f(x)的构成与目标函数有密切关系,往往是目标函数的变种。
自适应神经网络在确定落煤残存瓦斯量中的应用
- 落煤残存瓦斯量的确定是采掘工作面瓦斯涌出量预测的重要环节,它直接影响着采掘工作面瓦斯涌出量预测的精度,并与煤的变质程度、落煤粒度、原始瓦斯含量、暴露时间等影响因素呈非线性关系。人工神经网络具有表示任意非线性关系和学习的能力,是解决复杂非线性、不确定性和时变性问题的新思想和新方法。基于此,作者提出自适应神经网络的落煤残存瓦斯量预测模型,并结合不同矿井落煤残存瓦斯量的实际测定结果进行验证研究。结果表明,自适应调整权值的变步长BP神经网络模型预测精度高,收敛速度快 该预测模型的应用可为采掘工作面瓦斯涌
微粒群算法源程序
- 微粒群算法源程序 微粒群算法与其它进化类算法相类似,也采用“群体”与“进化”的概念,同样也是依据个体(微粒)的适应值大小进行操作。所不同的是,微粒群算法不像其它进化算法那样对于个体使用进化算子,而是将每个个体看作是在n维搜索空间中的一个没有重量和体积的微粒,并在搜索空间中以一定的速度飞行。
一种自适应中值滤波算法的FPGA的实现
- 数字图像处理,中值算法,自适应滤波
制粒子群算法的移动机器人路径规划
- [摘要】 由于用Pso进行机器人路径规划的研究尚局限于用连续模型规划连续描述的环境中的路径,使算法受到一定的局 限性.为此。研究了一种伞新的基于栅格法的机器人路径规划二进制粒子群算法.首先用栅格法描述机器人工作环境,在此基础 上,将机器人路径表示为粒子位置的二进制编码,并以路径长度为适应值,产生初始种群后,再对粒子佗置和速度进行更新,经 过多次迭代,即可获得从起始点到目标点的一条全局最优路径.该方法模型简单,算法复杂度低,收敛速度快,计算机仿真实验 证明『,该方法的有效性和先进性.
基本遗传算法程序
- 用二进制数来编码,每个个体用一串二进制编码来表示,适应值计算函数由自己来定义。通过选择、复制、交叉、变异来产生更好的的个体,经过一定代数的循环后,得到最优的个体。
遗传算法code
- 遗传算法源代码,是由Denis Cormier (North Carolina State University)开发的,Sita S.Raghavan (University of North Carolina at Charlotte)修正。代码保证尽可能少,实际上也不必查错。对一特定的应用修正此代码,用户只需改变常数的定义并且定义“评价函数”即可。注意代码 的设计是求最大值,其中的目标函数只能取正值;且函数值和个体的适应值之间没有区别。
基于T-S模型的自适应模糊广义预测控制
- : 对一类非线性 系统 , 利用一种基 于模 糊规 则的快速模糊辨识 方法建立起 系统的 T— S模型 , 并基 于该模 型应用局部 递推 最小二乘方法根据采样 值对模型参数进 行在线修 正, 根据 系统动 态线性化模 型采取 广义预 测控制 策略 , 从 而实现 了基 于 T— S模糊模型的非线性 系统 自适 应模糊预测 控制 。与 以往 的模糊 广义 预测控制 算法相 比 , 此方法 简单 , 而且较 大地 减少计 算量 , 适合 于在 线控制。通过仿 真研究验证 所提 方法的 有 效性 。
自适应中心权值滤波器
- 自适应中心权值滤波器
matlab实现自适应图像阈值分割
- matlab实现自适应图像阈值分割