搜索资源列表
ant_wsn
- 为了在无线传感器网络中降低能耗和最大化网络生存期,提出一种能量高效的数据收集算法 (energy-efficient data gathering algorithm, EEDGA)。该算法利用移动代理模型在网络中进行数据收集。首先, EEDGA根据监测精度的要求控制活动节点的数量 然后,通过求最小支配集得到具体的工作节点 最后,利用蚁 群算法规划移动代理迁移的最优路线,移动代理以渐进方式收集活动节点的监测数据。仿真结果表明,与典型算 法相比,该算法具有更低的能耗和更长的网络生存
Data
- 这是关于数据统一化处理的小程序，在神经网络以及代理模型构造过程中均应用到，过程具体明显，希望能对大家有帮助-this can be used to deal with data
Multi-Agent-Stock-Trading-Model
- 混合代理的证券交易算法模型，遗传算法，神经网络-Multi-Agent Stock Trading Algorithm Model
SGP
- 单输出高斯过程回归 代理模型 回归 可代替神经网络-Single output Gaussian process regression
trust-evaluation
- 综合信任网络生成的matlab代码，用于分析多代理网络中的信任问题。-synthetic trust network generator.This repository includes the synthetic trust network generation code.An example of how to run the generation code is explained in Generation_demo.m file.
modify_surrogate
- 拉丁超立方抽样及BP神经网络代理模型的建立与预测误差分析(Latin hypercube sampling & BP neural network model)
1709.04326
- 多智能体设置在机器学习中的重要性日益突出。超过了最近的大量关于深度的工作多agent强化学习，层次强化学习，生成对抗网络和分散优化都可以看作是这种设置的实例。然而，多学习代理人的存在这些设置使得培训问题的非平稳常常导致不稳定的训练或不想要的最终结果。我们提出学习与对手的学习意识（萝拉），一种方法，原因的预期。其他代理的学习。罗拉学习规则包括一个额外的术语，解释了在预期的参数更新的代理政策其他药物。我们发现，利用似然比策略梯度更新的方法，可以有效地计算萝拉更新规则，使该方法适合于无模型强化学习。这
ANN_fitting_example_1
- ANN fitting，使用多层神经网络对某一个函数进行插值逼近，建立代理模型(ANN fitting. Using a multi-layer neural network to interpolate a certain function to establish a proxy model)
SRGTSToolbox
- SURROGATES工具箱是一个多维函数逼近和优化方法的通用MATLAB库。当前版本包括以下功能： 实验设计：中心复合设计，全因子设计，拉丁超立方体设计，D-optimal和maxmin设计。 代理：克里金法，多项式响应面，径向基神经网络和支持向量回归。 错误和交叉验证的分析：留一法和k折交叉验证，以及经典的错误分析（确定系数，标准误差;均方根误差等;）。 基于代理的优化：高效的全局优化（EGO）算法。 其他能力：通过安全裕度进行全局敏感性分析和保守替代。(SURROGATES Toolbox