搜索资源列表
GA_suanfa
- 基因算法（GA） GA 是一种启发式的优化法 （heuristic optimization method）， 它是通过既定的随机搜索进行操作．优化问题的可能的解的集合被认为是 个体（individuals）组成的 人群（population）． 一个个体对它的环境的适应程度由它的 健康度（fitness）表示． -genetic algorithm (GA) GA is a heuristic optimization method (heuristic optimi method. 5)
EGA
- 遗传算法的程序 遗传 算 法 (GeneticA lgorithm,G A)是一种大规模并行搜索优化算法，它模 拟了达尔文“适者生存”的进化规律和随机信息交换思想，仿效生物的遗传方式， 从随机生成的初始解群出发，开始搜索过程。解群中的个体称为染色体，它是一 串符号，可以是一个二进制字符串，也可以是十进制字符串或采用其他编码方式 形成的码串。对父代(当前代)群体进行交叉、变异等遗传操作后，根据个体的 适应度〔fitness)进行选择操作，适应度高的个体有较高的概率被选中并
ga
- 实现了一个简单的花朵进化的模拟过程。 花朵的种群数量是10，共进化了50代。 通过运行程序，你会发现通过不断的进化，种群的总的适应环境的能力在逐步提高（fitness的值下降）。
GaPlaygroundCode
- Java实现的遗传算法工具集：GA Playground -The GA Playground is a general purpose genetic algorithm toolkit where the user can define and run his own optimization problems. The toolkit is implemented in the Java language, and requires (when used as an application
GA
- 热力学遗传算"~-(therm odynamical genetic algorithms，简称TDGA)借鉴固体退火过程中能量与熵的竞争 模式来协调GA 中“选择压力”和“种群多样性”之间的冲突．然而TDGA 目前极高的计算代价限制了其应用．为了提 高TDGA的计算效率，首先定义一种等级熵(rating—based entropy,J~j称RE)度量方法，它能以较小的计算成本度量种 群中个体适应值的分散程度．然后引入分量热力学替换规则(component thermod)rnami
GA.cpp
- 选择:根据遗传算法的收敛定理,赌轮法(蒙特卡罗法) ,进行个体选择。交叉:交叉互换的重要特征是它能产生不同于父体的子体。交叉概率越大,交叉操作的可能性也越大 如果交叉率太低,收敛速度可能降低。单阈值分割由于只有一个参数,所以采用一点交叉,在此设置交叉概率为0.65。变异:变异概率为0.01 。-This is a simple genetic algorithm implementation where the evaluation function takes positive values
Genetic-Algorithms
- 遗传算法的运行机理及特点是具有定向制导的随机搜索技术，其定向制导的原则是：导向以高适应度模式为祖先的“家族”方向．以此结论为基础．利用随机化均匀设计的理论和方法，对遗传算法中的交叉操作进行了重新设计，给出了一个新的GA算法，称之为随机化均匀设计遗传算法．-Operating mechanism and genetic algorithm is characterized by directional guided random search techniques, the directional
ga-vc
- This a simple genetic algorithm implementation where the evaluation function takes positive 这是一个简单的遗传算法实现了评价函数在正面的价值观,只需要一个个体的适应度是相同的目标函数值 -This is a simple genetic algorithm implementation where the evaluation function takes positive values R
TSP110707-1
- 旅行商问题是一个典型的NP完全性问题。本文基于改进的自适应遗传 算法设计并开发了一个求解旅行商问题的软件程序，并将此程序进行了48 个城市的TSP问题计算，与模拟退火算法的计算过程及计算结果进行了比 较。文中给出了遗传算法在解决TSP问题中的参数选择和编码方式、适应 度函数的设计、种群的初始化和遗传算子的详细设计。通过对此程序的改 装，即可用于其他NP完全性问题的求解。-The traveling salesman problem is a typical NP proble
adaptive-genetic-algorithm
- 自适应GA SVM 参数选择算法研究Param eter selection algorithm for support vector machines based on adaptive genetic algorithm 支持向量机是一种非常有前景的学习机器, 它的回归算法已经成功地用于解决非线性函数的逼近问题. 但 是, SVM 参数的选择大多数是凭经验选取, 这种方法依赖于使用者的水平, 这样不仅不能获得最佳的函数逼近效果, 而且采用人工的方法选择 SVM 参数比较浪费
nsga-original
- 非支配排序算法，用于求解多目标问题，c语言。-This is a GA implementation for multi-objective optimization. *** *** For multi-objective optimization, non-domonated sorting has *** *** been used. The design variables can be Binary, Integer, Real *** *** or Enumerat
MATLAB
- 遗传算法（Genetic Algorithm）是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型，是一种通过模拟自然进化过程搜索最优解的方法，它最初由美国Michigan大学J.Holland教授于1975年首先提出来的，并出版了颇有影响的专著《Adaptation in Natural and Artificial Systems》，GA这个名称才逐渐为人所知，J.Holland教授所提出的GA通常为简单遗传算法（SGA）。 -In artificial intellig
GA
- 遗传算法源码，按照适者生存和优胜劣汰的原理，逐代（generation）演化产生出越来越好的近似解，在每一代，根据问题域中个体的适应度（fitness）大小选择（selection）个体，并借助于自然遗传学的遗传算子（genetic operators）进行组合交叉（crossover）和变异（mutation），产生出代表新的解集的种群。这个过程将导致种群像自然进化一样的后生代种群比前代更加适应于环境，末代种群中的最优个体经过解码（decoding），可以作为问题近似最优解。-Genetic
GA
- 利用遗传算法所设计的随机产生地图之推箱子小程序 可参阅内容之Fitness以及基因的变异和交配 -Using genetic algorithms designed randomly generated map of Sokoban program can refer Fitness content and gene mutation and mating
genetic-algorithm
- 遗传算法的学习资料，用一个简单遗传算法随机一个种群，然后根据所给的交叉率，变异率，世代数计算最大适应度所在的代数-GA learning materials, using a simple genetic algorithm a random population, then calculate where the algebraic maximum fitness given according to the crossover rate, mutation rate, the number
bp-ga-method
- 基于遗传算法的BP神经网络算法(以下简称BP—GA)就是在BP神经网络的学习过程中，将权重和阀值描述为染色体，并选取适宜的适应函数，然后进行GA迭代，直到某种意义上的收敛．-GA BP neural network algorithm (hereinafter referred to as BP-GA) is in the learning process BP neural network, the weights and thresholds described as chromosomes
using-GA-in-antenna-array
- 提出了整数编码，动态调整交叉概率、变异概率，并将适应度函数设为最大相对旁瓣电平,一种改进遗传算法的优化方法来实现直线稀疏阵列的设计-Proposed integer coding, dynamic adjustment of crossover probability, mutation probability, and the fitness function is set to the maximum relative sidelobe level, an improved genetic
GA
- 遗传算法的最简单有详细解释的程序，适应度函数fitness可自由更改-The simplest explanation of a detailed program of genetic algorithm, fitness function can be changed freely fitness
GA
- 简单的遗传算法实现，选择，交叉，变异，适应度函数，种群的初始化等(Simple genetic algorithm implementation, selection, crossover, mutation, fitness function, the initialization of population and so on)
GA-BP
- 算法基本要素： 1.染色体编码方法 2.适应度函数 3.遗传操作—-（选择、交叉、变异） 4.运行参数—（参数：群体大小M、遗传代数G、交叉概率Pc和变异概率Pm）(Basic elements of algorithm: 1. chromosome coding method 2. fitness function 3. - the genetic operation (selection, crossover and mutation) 4. operating pa