搜索资源列表
RBF
- 文中设计了一个3层径向基神经网络(RBFN)用于对企业的5项评价指标进行聚类分析，并与蚁群算法做了比较分析。RBFN由输入层 到隐含层采用传统的K一均值算法，隐含层到输出层通过“模2递减”学习速率的BP学习；蚁群算法根据信息素的分配能够自动调整收索 路径，从而达到数据自动聚类的目的。结果表明，与蚁群算法相比，改进RBFN具有快速收敛、自动识别奇异样本的优点，而蚁群算法 无须教师学习，并能够达到全局最优。
TSP
- TSP问题；蚁群算法；关键参数设置；MATLAB-MATLAB，tsp
PrincipleandApplicationofantcolonyalgorithm
- 蚁群算法的原理及其应用.pdf；；蚁群算法是优化领域中新出现的一种仿生进 化算法。该算法采用分布式并行计算机制,具有较强的鲁棒性 但有搜索时间较长,易陷入局部最优解的缺点。-The principle of ant colony algorithm and its application. Pdf ant colony algorithm is to optimize the emerging field of evolutionary algorithm for a bionic. T
ACA
- 基于蚁群算法的区域覆盖卫星星座优化设计 星座；区域覆盖：蚁群算法：连续域；优化-Ant colony algorithm based on regional coverage satellite constellation design constellation regional coverage: ant colony optimization: continuous domain Optimization
Hybridbehaviorbasedantcolonyalgorithm
- 为在加快算法收敛速度的同时又能避免停滞现象，提出一种基于混合行为的蚁群算法．首先就蚂蚁行为对算法性能的影响进行了分析，在此基础上提出了该算法的模型；然后定义了蚂蚁行为，并为该算法设计了4种具体的蚂蚁行为，根据模型实现了该算法．实验结果表明，该算法在性能上远优于蚂蚁系统．-To accelerate the convergence speed while avoiding stagnation behavior is proposed based on hybrid ant colony algo
aco1
- 蚁群算法在电缆敷设系统中的应用与在TSP中有所不同。TSP中所有节点必经过，形成闭合路径；而电缆敷设系统中只有起始设备和终端设备所在的节点是必须经过，中间路径有意选择。本文根据电厂电缆敷设的具体情况，对蚁群算法进行了相应修改，并应用于其中，得到了比较理想的结果。-Ant colony algorithm in cable laying system and in the TSP in different. After all nodes in the TSP will form a close
antc
- 其主要内容包括蚁群算法的思想起源、研究现状及机制原理；蚁群算法的复杂度分析；蚁群算法的收敛性证明；蚁群算法参数对其性能的影响；蚁群算法的参数选择原则；离散域和连续域蚁群算法的若干改进策略；蚁群算法在多个优化领域的典型应用；蚁群算法的硬件实现技术；蚁群算法与其它仿生优化算法的比较与融合；蚁群算法的研究展望；最后还在附录部分给出了基本蚁群算法的程序源代码和相关网站。.-Its main contents include the origin of ant colony algorithm idea,
ant
- 蚁群算法(ant colony algorithm，简称ACA)是20世纪90年代由意大利学者M．Dorigo等人首先提出来的一种新型的模拟进化算法．它的出现为解决NP一难问题提供了一条新的途径．用蚁群算法求解旅行商问题(TSP)、分配问题(QAP)、调度问题(JSP)等，取得了一系列较好的实验结果．虽然对蚁群算法研究的时间不长，但是初步研究已显示出蚁群算法在求解复杂优化问题(特别是离散优化问题)方面具有一定的优势，表明它是一种很有发展前景的方法．蚁群算法的主要特点是：正反馈、分布式计算．正反馈
Research-on-Some-Novel-Bionic-Opt
- ：仿生优化算法是模拟自然界中生物行为的随机搜索算法，可以用来解决现实中的许多优化问题。简要介绍了目前比 较流行的四种新型仿生优化算法(蚁群算法、微粒群算法、人工免疫算法以及人工鱼群算法)的基本原理；然后深入分析了这 些仿生优化算法的异同之处-Bionic optimization algorithms aye stochastic search methods that mimic the natural biological behavior of species．They age
Development-on-ant-colony-algorithm
- ．针对蚁群算法，首先介绍其基本原理；然后讨论了近年来对蚁群算法的若干改进以及在许多新领域中的发展应用；最后评述了蚁群算法未来的研究方向和主要研究内容．-Firstly，the basic principle of ant colony algorithm is introduced．Then．a series of schemes on improving the ant colony algorithm are discussed，and the new applications are
Ant-colony-algorithm
- 蚁群算法解决TSP问题的MATLAB实现 出动m只蚂蚁，每只蚂蚁各随机选择一条路径，记为I=[1 2 3···m]，长度记为long(I) 计算出每条路径的信息素浓度，记为P(I)=1/long(I)，并进行归一化处理 重新出动m只蚂蚁，按如下规则选择路径： 每只蚂蚁都以一个概率p1选择新路径(路径随机)； 未选择新路径的蚂蚁以概率P(I)选择路径I； 所有蚂蚁都以一个小概率p2对自己的路径进行局部变化； 更新所有路径，计算出每条路径的信息素浓度； 重复上述步
ACO_TSP
- 利用蚁群算法解决TSP旅行商问题，要求： （1）用蚁群算法解决TSP问题； （2）和粒子群PSO算法进行比较。-Ant colony algorithm to solve the traveling salesman problem TSP requires: (1) with ant colony algorithm to solve TSP (2) and particle swarm PSO algorithm for comparison.
ACS
- 蚁群算法求解TSP 假设条件： 1、非对称桥上的信息量与过去一个时间段内经过该桥的蚂蚁数目成正比； 2、某一时刻蚂蚁按照桥上残留的信息量多少来选择其中某座桥 3、经过该桥的蚂蚁数目越多则桥上的残留信息量就越大 -ACS for TSP
蚁群算法解决最优化
- 运用蚁群算法matlab解决运输优化问题，运输网络优化求解(Ant colony algorithm (matlab) is used to solve the transportation optimization problem, and the transportation network is optimized)
29_ACO_note_35
- 基于蚁群算法tsp路径寻优，有详细说明每步的意义，做法(Based on the ant colony algorithm tsp path optimization, there is a detailed descr iption of each step of the meaning, practice)
partitioning
- 基于蚁群算法的二电路划分优化java源代码(Ant colony optimization based circuit partitioning java source code)
Desktop
- 利用智能算法可以求最值，以及利用小波变换可以求功率(Intelligent algorithm seeks the most value and uses wavelet transform to find power.)
蚁群聚类算法及其改进
- 用MATLAB实现的蚁群算法，并加入了自己改进的一些内容，包含一群算法原理介绍的详细PPT。(The ant colony algorithm implemented by MATLAB is added to some of its improved contents, including a detailed PPT introduced by a group of algorithm principles.)
Antcycle
- 基于蚁群算法的路径规划，栅格法，双向路线寻优，包含栅格程序，能运行(Ant colony algorithm based path planning, grid method, two-way route optimization, including raster program, can run)
混合改进蚁群算法matlab源程序
- 混合改进蚁群算法matlab源程序。其中，MainSim文件为主函数，此程序为基于自适应信息素、决策变量高斯变异和决策变量边界自调整三种改进的混合改进蚁群算法程序。其中，自适应信息素改进代码在ACOUCP文件的143-152行；决策变量高斯变异在GaussMutation文件；决策变量边界自调整改进代码在MainSim文件的40-49行。