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
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
20060822
- BP批处理源代码，可自由选择三层或多次网络，和神经元数目-BP batch source code, the freedom to choose three or more networks and the number of neurons
MCRGSA
- MCRGSA------组播路由问题遗传模拟退火算法 ％M-----------遗传算法进化代数 ％N-----------种群规模，取偶数 ％Pm----------变异概率调节参数 ％K-----------同一温度下状态跳转次数 ％t0----------初始温度 ％alpha-------降温系数 ％beta--------浓度均衡系数 ％ROUTES------备选路径集 ％Num---------到各节点的备选路径数目 ％Cost-------
FI565
- 内附两个源代码，其中一个源代码是识别程序的，另一个是一个矩阵类库的，所以一并附上。 ~..~因为已经保存了训练好的网络权值，所以第一次使用识别程序时，可以直接运行\\\\Release目录下的可执行文件，然后对图片目录中的测试图片进行读入、识别。 当然读者也可以自行用训练样本训练网络，不过要特别注意训练样本的选择，否则可能造成识别率很低。训练样本选择的原则是，尽可能的有代表性，在训练时间不至于太长的情况下，训练样本数目尽量多。 -containing 2 source code,
Tsp
- 使用蚁群算法解决旅行商问题，mfc应用程序，城市数目及坐标在eil51.tsp里-use ant algorithm to solve the traveling salesman problem, and mfc applications, The number of cities and coordinates the eil51.tsp Lane
3DBoids92
- 动态模拟飞鸟的群体行为，可以调节飞鸟的数目和尺寸。
trainbp
- BP人工神经网络训练源码，采用三层网络结构，固定节点数目，可以设定学习速度和学习次数。
problem1
- 传教士野人渡河问题C++代码实现,更改N和K即可实现不同数目问题的求解
TS_TSP
- 解决TSP问题的TS算法MATLAB实现，其中加入了变异算法，当然也可以去掉这个步骤，调用TS_TSP(N, inStart, IsBianYi)，N是城市数目，inStart是起始城市的序号，IsBianYi就是选择变异否，如果为0则不要变异，否则就是结合变异算子的TS算法。 至于下面的参数可以自己调： T：总的循环次数； tabulength：禁忌长度； Pby：变异概率；
singlelink
- 聚类算法：最短距离算法。对给定的数据集进行自底向上的层次的分解，直到某种条件满足而已。缺陷在于一旦一个步骤完成，它就不能被撤消这个严格的规定是有用的，由于不用担心组合数目的不同选择，计算代价会较小。
bp4371
- bp神经网络，N 11 //学习样本个数 #define IN 5 //输入层神经元数目 #define HN 8 //隐层神经元数目 #define HC 3 //隐层层数 #define ON 3 //输出层神经元数目
recognize
- 本代码是基于神经网络的文字识别系统，目录主要包括：文档和两个源代 其中源代码是识别程序的，另一个是矩阵类库的。 已经保存了训练好的网络权值，所以第一次使用识别程序时，可以直接运行Release目录下的可执行文件，然后对图片目录中的测试图片进行读入、识别。当然也可以自行用训练样本训练网络，不过要注意训练样本的选择，否则可能识别率很低。训练样本选择的原则是，尽可能的有代表性，在训练时间不至于太长的情况下训练样本数目尽量多。
MC_problem
- 人工智能中经典问题，传教士与野人问题的A*解法。不受传教士和野人数目的限制。简单易懂。
VC++BP
- 本程序是BP算法的演示程序, 其中的Levenberg-Marquardt算法具有实用价值. 一、网络训练 程序默认状态是样本训练状态,现将样本训练状态下的如何训练网络进行说明: 1.系统精度: 定义系统目标精度,根据需要定义网络训练误差精度.误差公式是对训练出网络的输出层节点和实际的网络输出结果求平方差的和. 最大训练次数: 默认为10000次,根据需要调整,如果到达最大训练次数网络还未能达到目标精度,程序退出. 3.步长: 默认为0.01,由于采用
k-means
- 空间数据分析中最常用的是聚类分析,而K-MEANS算法是聚类分析中常用的,其主要思想是在给定的聚类数目下对多维(我做的是三维空间点)向量进行聚类,
yichuan
- * 这里是遗传算法的核心框架遗传算法的步骤： * 遗传算法核心部分的算法描述 * 算法步骤： * 1、初始化 * 1.1、生成初始种群编码 * 1.2、计算每个个体的适配值。 * 1.3、记录当前最优适配值和最优个体 * 2、选择和遗传， * 2.0、若当前最优适配值多次小于已有的最优适配值（或相差不大）很多次，或者进化的次数超过设定的限制，转4。 * 2.1、按照与每个个体的适配值成正比的概率选择个体并复制，复制之后个体的数目和原始种群数目
2nsq
- 神经元个数netcount：参数netcount控制着预测模型的输入，也就是神经网络模型的输入层神经元个数。 隐藏节点数hiddencount：参数hiddencount控制着神经网络模型的隐藏节点的个数。 检验组数目：模型训练玩完后，需要用几组数据对模型的预测效果进行检验。
bp
- C语言实现了一个BP算法 自己定义隐含层的数目 和解决方案 得到测试样本的输出结果
TSPmultiRaceACA.rar
- 多种群蚁群算法，种群数目根据需要自己扩充便可,multirace ant colony algorithm