搜索资源列表
TIERRA
- 地球模拟器，最经典的人工生命模型,研究人工智能的必看。一般地说，生命都具有新陈代谢、复制和进化的能力。在自然界中，生物是由有限的食物供给和有限的生存空间约束的。在Tierra中，“生物”由一系列能够自我复制的机器代码或程序组成，它在计算机中的复制分别受到计算机的存储空间和CPU时间约束。能有效地占有内存空间和利用CPU时间的生物体，将具有更高的适应度，传递到下一代的机会就越大。 在Tierra中，计算机的RAM（随机访问存储器）中有一块专门的空间，这个空间中放置了一个“祖先有机体”，该祖先有
ods_T_ant
- dos 下运行,蚂蚁找食物,图形演示,动态化显示每一只蚂蚁如何找到事物.-dos run, the ants find food, presentation graphics, dynamic display every ants how to find things.
yongyi222_GA
- 该程序是蚂蚁觅食的计算机模拟。仅仅运用简单的规则，蚂蚁就能够聪明的找到食物。该程序是复杂系统涌现思想的生动体现，即异常简单的规则就能够导致完全复杂，并且看似智能的行为。为什么小小的蚂蚁能够找到食物？他们具有智能么？设想，如果我们要为蚂蚁设计一个人工智能的程序，那么这个程序要多么复杂呢？首先，你要让蚂蚁能够避开障碍物，就必须根据适当的地形给它编进指令让他们能够巧妙的避开障碍物，-ants foraging of computer simulation. Just use simple rules,
ant_colony_optimization
- 蚁群算法(ant colony optimization, ACO)，又称蚂蚁算法，是一种用来在图中寻找优化路径的机率型技术。它由Marco Dorigo于1992年在他的博士论文中引入，其灵感来源于蚂蚁在寻找食物过程中发现路径的行为-ant colony algorithm (ant colony optimization, ACO). also known as the ant algorithm is a map to find the optimal path of probabilit
ant
- 蚂蚁算法，c语言版，其中，‘F’点表示食物，‘H’表示窝，白色块表示障碍物，‘+’就是蚂蚁了。
antalgorithm
- 蚂蚁觅食过程模拟算法，程序开始运行，蚂蚁们开始从窝里出动了，寻找食物；他们会顺着屏幕爬满整个画面，直到找到食物再返回窝。
my
- 蚂蚁算法的C语言实现，蚂蚁算法是利用蚂蚁寻食的一个路径规则来实现的，程序开始运行，蚂蚁们开始从窝里出动了，寻找食物；他们会顺着屏幕爬满整个画面，直到找到食物再返回窝。
autolife
- Autolife模型是一个能够进行“开放式进化”的人工生命系统。每个Agent模型采用可以变化规则表长度的有限自动机模型建模。一方面Agent可以进行自我繁殖，同时模型中的选择机制没有采用显式的适应度函数而是采用能量消耗的简单模型而自发涌现出来，所以可以认为Agent模型是一个类Tierra系统。然而与Tierra、Avida等数字生命模型不同的是，Autolife模型进行了大大的简化，它界面友好，操作直接。虽然没有给每个Agent装配一个虚拟计算机，但是Agent与环境的耦合则可以看成一个图灵
antcolony
- 程序名称：蚁群觅食模拟 程序介绍： 本程序模拟自然界蚂蚁寻找食物并带回自己窝的过程，栩栩如生的再现了单个蚂蚁的灵活性和整体蚁群的智能涌现。关于用几条简单规则涌现生命现象的信念得到了进一步加强验证。用户可以自定义地图，从而让蚂蚁有机会与复杂的地形环境打交道，地形越复杂，蚂蚁的智能特性越能体现出来。-Name: ant foraging simulation program descr iption: This procedure simulated natural ants to fin
ant
- 基本蚁群算法寻找食物。需要TURBOC2运行环境。在vista下要兼容模式运行-The basic ant colony algorithm to find food
ant
- 蚁群算法例程源代码及简介,ANT.EXE可直接点击运行，F点表示食物，H表示窝，白色块表示障碍物，+就是蚂蚁了-Ant colony algorithm and brief descr iptions of the source code routines, ANT.EXE direct click Run, F point that food, H said that Waterloo, white block, said obstacles,+ is the ant
ShuffledFrogLeapingAlgorithm
- SFLA算法是解决组合性优化问题的算法。它是基于集合类方法的启发式研究，这种SFLA初始化于一群虚拟集合青蛙，在池塘中跳跃，搜寻最优的食物地点。青蛙们可以被看作是具有思维的的主体。一种思维可以被看作是一个思想的集合或是文化的进化。每一种思维都是由一系列策略构成。在这种策略进化期间，青蛙的思维也在发生改变，导致了他们在面向目标时方位的改变，这种思维的变化或改变的发生，正是因为青蛙受到其他更好思想的影响。-SFLA algorithm to solve portfolio optimization
AFSA
- 人工鱼群算法AFSA算法主要模仿了鱼群的以下行为：1、觅食行为：这是生物的一种最基本的行为，也就是趋向食物的一种活动；一般可以认为它是通过视觉或味觉来感知水中的食物量或浓度从而选择趋向的。2、聚群行为：这是鱼类较常见的一种现象，大量或少量的鱼都能聚集成群，可以进行集体觅食和躲避敌害。3、追尾行为：当某一条鱼或几条鱼发现食物时，它们附近的鱼会尾随其后快速游过来，进而导致更远处的鱼也尾随过来。4、随机行为：鱼在水中悠闲的自由游动，基本上是随机的，其实它们也是为了更大范围的寻觅食物或同伴。-AFSA
Tsp_report_ant
- 蚂蚁算法（或蚁群算法，ant colony algorithm）是由Colorni和Dorigo等人提出的一类模拟自然界蚁群行为的模拟进化算法。 这类算法主要基于以下观察：像蚂蚁这类群居昆虫，虽然没有视觉且单个行为极其简单，但由这些简单的个体所组成的群体却常常表现出令人称奇的行为——能够在复杂的环境下最终找到从蚁穴到食物源的最短路径！仿生学家经过大量细致观察与研究发现，原来蚂蚁在寻食的过程中，通过一种称之为信息素（pheromone）的物质相互传递信息。更具体地，蚂蚁在运动过程中能够在它所经
GA_PSO
- 利用GA來模擬鳥群尋找食物的行為，方法就是找尋距離食物最近的鳥之周圍區域及根據自己本身飛行的經驗判斷食物的所在-The use of GA to simulate the behavior of the flock in search of food, the methodology is to find the nearest bird food from around the region and according to their own experience of flying to
pos
- 实现单目标的粒子群优化问题，以鸟群寻找食物为例，怎样使鸟群在最短的时间内找到食物-Single-objective particle swarm optimization to birds looking for food, for example, how to make the birds in the shortest period of time to find food
dongtaiguihua
- 有N项食物营养价值为Vi,价格为Pi,i=1,2,...n.套餐中每项食物至多出现一次，客人通常需要一个算法求解不超过总价值的营养价值最大的套餐-Nutritional value of food items has N as Vi, the price for the Pi, i = 1,2, ... n. packages at most once in each of the food, the guests usually no more than an algorithm for th
PSO_CPP
- 微粒群优化算法（PSO）是一种基于种群的随机优化技术，由Eberhart和Kennedy于1995年提出。微粒群算法模仿昆虫、兽群、鸟群和鱼群等的群集行为，这些群体按照一种合作的方式寻找食物，群体中的每个成员通过学习它自身的经验和其他成员的经验来不断改变其搜索模式。-Particle Swarm Optimization (PSO) is a population based stochastic optimization technique by Eberhart and Kennedy ma
mixed-ACS-a-MMAS
- 程序开始运行，蚂蚁们开始从窝里出动了，寻找食物；他们会顺着屏幕爬满整个画面，直到找到食物再返回窝。 其中，‘F’点表示食物，‘H’表示窝，白色块表示障碍物，‘+’就是蚂蚁了。 预期的结果： 各个蚂蚁在没有事先告诉他们食物在什么地方的前提下开始寻找食物。当一只找到食物以后，它会向环境释放一种信息素，吸引其他的蚂蚁过来，这样越来越多的蚂蚁会找到食物！有些蚂蚁并没有象其它蚂蚁一样总重复同样的路，他们会另辟蹊径，如果令开辟的道路比原来的其他道路更短，那么，渐渐，更多的蚂
Particle-swarm-code
- 人工神经网络设想这样一个场景：一群鸟在随机搜索食物。在这个区域里只有一块食物。所有的鸟都不知道食物在那里。但是他们知道当前的位置离食物还有多远。那么找到食物的最优策略是什么呢。最简单有效的就是搜寻目前离食物最近的鸟的周围区域。 PSO从这种模型中得到启示并用于解决优化问题。PSO中，每个优化问题的解都是搜索空间中的一只鸟。我们称之为“粒子”-Particle swarm optimization