搜索资源列表
模拟退火例子1
- 模拟退火算法来源于固体退火原理，将固体加温至充分高，再让其徐徐冷却，加温时，固体内部粒子随温升变为无序状，内能增大，而徐徐冷却时粒子渐趋有序，在每个温度都达到平衡态，最后在常温时达到基态，内能减为最小。根据Metropolis准则，粒子在温度T时趋于平衡的概率为e-ΔE/(kT)，其中E为温度T时的内能，ΔE为其改变量，k为Boltzmann常数。用固体退火模拟组合优化问题，将内能E模拟为目标函数值f，温度T演化成控制参数t，即得到解组合优化问题的模拟退火算法：由初始解i和控制参数初值t开始，对
模拟退火例子2
- 模拟退火算法来源于固体退火原理，将固体加温至充分高，再让其徐徐冷却，加温时，固体内部粒子随温升变为无序状，内能增大，而徐徐冷却时粒子渐趋有序，在每个温度都达到平衡态，最后在常温时达到基态，内能减为最小。根据Metropolis准则，粒子在温度T时趋于平衡的概率为e-ΔE/(kT)，其中E为温度T时的内能，ΔE为其改变量，k为Boltzmann常数。用固体退火模拟组合优化问题，将内能E模拟为目标函数值f，温度T演化成控制参数t，即得到解组合优化问题的模拟退火算法：由初始解i和控制参数初值t开始，对
模拟退火例子3
- 模拟退火算法来源于固体退火原理，将固体加温至充分高，再让其徐徐冷却，加温时，固体内部粒子随温升变为无序状，内能增大，而徐徐冷却时粒子渐趋有序，在每个温度都达到平衡态，最后在常温时达到基态，内能减为最小。根据Metropolis准则，粒子在温度T时趋于平衡的概率为e-ΔE/(kT)，其中E为温度T时的内能，ΔE为其改变量，k为Boltzmann常数。用固体退火模拟组合优化问题，将内能E模拟为目标函数值f，温度T演化成控制参数t，即得到解组合优化问题的模拟退火算法：由初始解i和控制参数初值t开始，对
Substituter.java
- 代入法的启发示搜索 我的代码实现是：按照自然语言各字母出现频率的大小从高到低（已经有人作国统计分析了）先生成一张字母出现频率统计表（A）--------(e),(t,a,o,i,n,s,h,r),(d,l),(c,u,m,w,f,g,y,p,b),(v,k,j,x,q,z) ，再对密文字母计算频率，并按频率从高到低生成一张输入密文字母的统计表（B），通过两张表的对应关系，不断用A中的字母去替换B中的字母，搜索不成功时就回退，在这里回朔是一个关键。 -generation into a
SATSP
- 用模拟退火算法求解旅行商问题 T(t+1)＝k×T(t) 式中k为正的略小于1.00的常数，t为降温的次数
TSP
- 模拟退火算法来源于固体退火原理，将固体加温至充分高，再让其徐徐冷却，加温时，固体内部粒子随温升变为无序状，内能增大，而徐徐冷却时粒子渐趋有序，在每个温度都达到平衡态，最后在常温时达到基态，内能减为最小。根据Metropolis准则，粒子在温度T时趋于平衡的概率为e-ΔE/(kT)，其中E为温度T时的内能，ΔE为其改变量，k为Boltzmann常数。用固体退火模拟组合优化问题，将内能E模拟为目标函数值f，温度T演化成控制参数t，即得到解组合优化问题的模拟退火算法：由初始解i和控制参数初值t开始，
mnth
- 模拟退火算法来源于固体退火原理，将固体加温至充分高，再让其徐徐冷却，加温时，固体内部粒子随温升变为无序状，内能增大，而徐徐冷却时粒子渐趋有序，在每个温度都达到平衡态，最后在常温时达到基态，内能减为最小。根据Metropolis准则，粒子在温度T时趋于平衡的概率为e-ΔE/(kT)，其中E为温度T时的内能，ΔE为其改变量，k为Boltzmann常数。用固体退火模拟组合优化问题，将内能E模拟为目标函数值f，温度T演化成控制参数t，即得到解组合优化问题的模拟退火算法：由初始解i和控制参数初值t开始，对
KT
- 船舶操纵K、T参数，通过计算可以得出船舶操纵的数学运动模型结构-K、T parameter
fast-projective-clustering
- 一种子空间聚类的算法，此算法属于子空间聚类算法-a monte caro algorithm for fast projective clustering，C. M. Procopiuc, M. Jones, P. K. Agarwal and T. M. Murali， Proceedings of the 2002 ACM SIGMOD international conference on Management of data
cmac
- MATLAB语言作为编程工具构造CMAC神经网络，利用公式Wij(k+1)=Wij(k)+β(yid-yi)α/αTα对连接权系数Wij进行调整，用来对正弦函数sin（x）进行逼近-MATLAB programming language as a tool to construct CMAC neural network, using the formula Wij (k+1) = Wij (k)+ β (yid-yi) α/αTα the connection weights Wij to a
TSP
- tsp for (int i=0 i<M i++) S[i] = i S[M] = 0 T = 1000 //初始温度1000 Tl = 35000 //内循环次数35000 a = 0.93 //温度下降系数 k = 0 PreMin = 0 Path = GetPath(S) srand((unsigned)time( NULL )) cout<<"The initial Path Diste
SA
- 模拟退火算法 模拟退火算法来源于固体退火原理，将固体加温至充分高，再让其徐徐冷却，加温时，固体内部粒子随温升变为无序状，内能增大，而徐徐冷却时粒子渐趋有序，在每个温度都达到平衡态，最后在常温时达到基态，内能减为最小。根据Metropolis准则，粒子在温度T时趋于平衡的概率为e-ΔE/(kT)，其中E为温度T时的内能，ΔE为其改变量，k为Boltzmann常数。用固体退火模拟组合优化问题，将内能E模拟为目标函数值f，温度T演化成控制参数t，即得到解组合优化问题的模拟退火算法：由初始解i
GSAA
- 模拟退火算法来源于固体退火原理，将固体加温至充分高，再让其徐徐冷却，加温时，固体内部粒子随温升变为无序状，内能增大，而徐徐冷却时粒子渐趋有序，在每个温度都达到平衡态，最后在常温时达到基态，内能减为最小。根据Metropolis准则，粒子在温度T时趋于平衡的概率为e-ΔE/(kT)，其中E为温度T时的内能，ΔE为其改变量，k为Boltzmann常数。用固体退火模拟组合优化问题，将内能E模拟为目标函数值f，温度T演化成控制参数t，即得到解组合优化问题的模拟退火算法：由初始解i和控制参数初值t开始-S
duoquanzhishengjingwangluo
- 应用多权值神经网络方法对静态手势进行识别, 对手势字母图像采用傅里叶描述子提取特征信息, 取低频信息成分构建成犯维特征向量, 并应用多权值神经网络的算法, 构建各类的神经元网络-W ith th e develo Pm en t of hu m an eom p uter intera etion te ehn olo盯, th e h as been b ased on an im P o rt a n t tas k fo r U r o n s diseu ssion
KRT_from_P
- 此程序可从投影矩阵中分解出摄像机的内外参数(K、R、T)，效果很不错。需要包含opencv头文件。-The program can decompose interior and exterior parameters(K,R,T) from a camera s projection matrix. Strong performace has been demonstrated. What you only have to do is to contain relative OPENCV hea
kmeans1
- K-means算法，算法步骤如下： Step1.利用式(2)计算距离矩阵D=()，其中=dist[i, j] ()； Step2.扫描坐标距离矩阵D，寻找距离的最大值和最小值，用式(3)计算limit； Step3.扫描坐标距离矩阵D，寻找矩阵中距离最小的2个数据a，b，将数据a，b加入集合，={a,b}，同时将数据a，b从U中删除，更新距离矩阵D； Step4.利用 (4)式在U中寻找距离集合最近的数据样本t，如果小于limit，则将t加入集合，同时将t从集合U中删除，更新
BP
- 利用BP网络逼近对象y(k)=u(k)^3+y(k-1)/(1+y(k-1)^2)。采样时间取1ms。输入信号为u(k)=0.5sin(6*pi*t)。(Approximate object y (k), =u (k), ^3+y (k-1) / (1+y (k-1) ^2) using BP networks. Sampling time is 1ms. The input signal is u (k) =0.5sin (6*pi*t).)
3-12
- 双调旅行售货员问题 问题分析：给定平面上n个点，p[i]=(x[i],y[i])，I=1,2,3,…,n。点集p1,p2..pi按x坐标排序 t(i)表示点{p1,p2...pi}的最短双调TSP回路，则有， t(i) = min{t(k) + D(k,i) + d(k-1,i) - d(k-1,k)} ，1<k<i t(1) = 0，t(1) = 2d(1,2) d(i,j)为pi,pj之间的距离 D(i,j)为pi,pi+1,pi+1...pj之间累加距离 设s(i