搜索资源列表
tanxin
- 这是一个贪心算法的c程序。贪心算法（也叫贪婪算法）不是某种特定的算法，而是一类抽象的算法，或者说只是一种思想，它的具体表现在，对解空间进行搜索时，不是机械地搜索，而是对局部进行择优选取，贪心算法的目的不是为了找到全部解，也当然找不出最优解，而只是找出一种可行解，这样就会得到惊人的高效性。因此，贪心算法也叫启发式搜索，这种启发就是所谓的“贪心策略”。-This is a greedy algorithm c procedures. Greedy algorithm (also known as t
cfffsss
- 改进后的算法大大减少了对于那些运动矢量为零的块的搜索冗余，同时对于运动比较剧烈的块直接进入大范围搜索。这样即提高了搜索效率，又不会使搜索结果陷入局部最优。-improved algorithm greatly reduced for those zero motion vector search block redundancy, Meanwhile, more intense campaign of direct access to block large-scale search. That
T96b
- 分水岭算法——“汇水盆地”的确定 搜索局部最大种子点，设置阈值标志和阈值-watershed algorithm -- "catchment basin" to determine the best local search seeds, setting the threshold value and a threshold
22219011211120071115164509189959
- SUSAN算子用于角点检测的基本步骤： 1） 对于感兴趣的每个象素点（一般的情况就是图像中的每个象素点）作用一圆模板； 2） 根据亮度比较函数计算圆模板中的USAN区域； 3） 根据几何阈值，计算象素点的初始响应； 4） 使用USAN重心与核中心的距离法则去除伪角点，使用USAN重心与核中心的连线上的每个点都必须在USAN区域来保证算法的一致性（即USAN区域的相连性） 5） 对每个象素点的响应，使用 （或更大）的窗口搜索局部极大值，进行非极大值抑制
afs1
- 人工鱼群算法（AFSA）是2002年李晓磊提出的基于鱼群行为的寻求全局最优 的新型搜索策略，该算法具有较优的全局收敛能力及较快的寻优速度。本文首次将 人工鱼群算法应用于人工神经网络的学习，形成了人工鱼群神经网络模型，通过与 BP算法、模拟退化算法、进化算法训练的人工神经网络进行比较，验证了人工鱼群 神经网络在全局寻优能力上的优势，进而利用人工鱼群神经网络进行电力系统短期 负荷预测，建立了人工鱼群神经网络预测模型。为了进一步提高算法的稳定性，以 及求得全局最优值的能力，文中
hill
- 爬山算法是一种局部择优的方法，采用启发式方法，是对深度优先搜索的一种改进，它利用反馈信息帮助生成解的决策。 属于人工智能算法的一种。-Climbing algorithm is a partial merit-based approach, using heuristic methods, is a depth-first search of an improvement, which uses feedback information to generate solutions to help
hdj
- 针对基于内容的网络信息过滤中存在的特征维数过高影响分类过滤效果问题,运用遗传算法进行特征 选择,通过遗传操作搜索最优解。并且引入个体寿命概念用于实施种群更新,同时根据种群进化情况动态调整遗传操作算子,从而解决遗传算法训练过程中种群以及操作算子的单一性带来局部最优问题
New_Genetic_Algorithm
- 遗传算法及其育种:GA于20世纪60年代由美国Michigan大学J.H.Holland教授[1]首先提出。它可广泛应用于人工智能、机器学习、函数的优化、自动控制等领域。GA的突出特点是将问题的解空间通过编码转换为GA的搜索空间，把问题的解转换为生物的个体，并借助生物的遗传和进化理论，对多个个体同时进行选择、交叉和变异操作。这样，可以较快地搜索到最优解。但是，遗传算法易陷入局部最优。搜索效率还不是很高。因此，为了克服这些缺点缺点，本文提出了育种算法，可以较好地解决遗传算法的问题。-Genetic
junluotuxiangfenge
- 遗传算法用于菌落图像分割。遗传算法其固有的并行性和不易陷入局部最优的特点使之非常适于大规模搜索空间的寻优，使图像分割产生的误差最小，为解决图像分割中的参数选择难题提供了有力的保障。附有程序清单-A New Model for Image Segmentation
particle
- 本代码为经典PSO微粒群算法，通过修改w值，使得PSO的搜索在全局与局部之间得到最优-The code for the classic PSO particle swarm algorithm, by modifying the w value, makes the PSO search between the global and local optimal
EyePos
- 最小邻域均值投影函数及其在眼睛定位算法.提出一种投影函数：最小邻域均值投影函数．该函数通过计算每条投影线上各像素点邻域均值的最小值 来跟踪图像中的低灰度特征．与传统的积分投影函数和方差投影函数相比，它以求最小值的局部选择性代替传统投 影函数的全局累加性，因此具有对片状噪声不敏感的特点、此外，在计算过程中，它还能记录最小值点的二维位置信 息，是一个二维的搜索算子、最小邻域均值投影函数的这些特点使其非常适合于眼睛定位．它对眼睛，特别是瞳孔，总 能够产生精确、鲁棒的响应通过在CAS—P
simulated-annealing-algorithm--cPP
- 模拟退火算法是通过赋予搜索过程一种时变且最终趋于零的概率突跳性，从而可有效避免陷入局部极小并最终趋于全局最优的串行结构的优化算法-Simulated annealing algorithm is the search process by giving a time-change and ultimately tends to zero the probability of jumps, and thus can effectively avoid falling into local min
Simulated-Annealing
- c语言编写的模拟退火算法，可以避免搜索陷入局部最优解，有效解决优化问题。-c language of the simulated annealing algorithm, to avoid the search into a local optimal solution, an effective solution to optimization problems.
Machines-Based-on-DFS
- 深度优先搜索的支持向量机参数优化算法 Study on Parameters Optimization of Support Vector Machines Based on DFS :研究支持向量机参数优化问题，由于算法要求准确选择 SVM 参数，支持向量机在处理大样本数据集时和最优模型参 数确定时，消耗的时间长、占有内存大，易获得局部最优解的难题。为了解决支持向量机存在的不足，采用深度优先搜索算 法对其参数优化机机制进行改进。将向量机参数优化视成一个组合优化问题，将支持向
APOA
- 人工植物算法很不错的现代智能优化算法,具有搜索速度快，不易进入局部最优的特点。-APOA is a new opawm .
hundunpso
- 针对二维熵图像分割方法在求取最佳阈值时存在计算量大及微粒群算法容易陷 入局部最优且速度较慢等等问题, 提出了基于混沌粒子群优化算法的二维熵图像分割方法。 该方法考虑了图像中像素点灰度 邻域灰度均值对作为阈值对图像进行分割 利用混沌运 动随机性、遍历性和初值敏感性, 将混沌粒子群优化算法与阈值法相结合在二维空间作全局搜 索。实验结果表明了基于混沌粒子群优化算法的二维熵图像分割法用于阈值寻优减少了搜索 时间, 提高了收敛率
psoPconstrain
- 提出了一种新的算法结构,通过建立“局部环境因数”模型,利用集中式处理模式,动态 分配全局勘探和局部开采子种群比例,有效地实现分工目的,平衡算法的局部和全局搜索能力。将其 应用到两个不同类型的实际工程约束优化问题中进行验证,并与其他文献的改进算法进行了对比。 实验结果表明,该算法比其他改进算法在计算精度、效率、鲁棒性上都有很大的提高-Anewalgorithmarchitecturewasproposed. Inorder to adjust effectively the ratio
RobNavigation
- 首先用链接图建立机器人运动空间模型，在此基础上利用蚂蚁算法进行全局搜索得到全局导航路径，然后用粒子群算法局部调节全局导航路径上的路径点，得到更优路径。-First, the link graph to establish the space model of the robot, using ant algorithm based on global search to get the global navigation path and local regulation on the glob
GNew_Genetic_e
- 遗传算法及其育种:GA于20世纪60年代由美国Michigan大学J.H.Holland教授[1]首先提出。它可广泛应用于人工智能、机器学习、函数的优化、自动控制等领域。GA的突出特点是将问题的解空间间通过编码转换为GA的搜索空间，把问题的解转换为生物的个体，并借助生物的遗传和进化理论，对多个个体同时进行选择、交叉和变异操作。这样，可以较快地搜索到最优解。但是，遗传算法易陷入局部最优。搜索效率还不是 -Genetic Algorithm and Breeding: GA 1960s firs
Parallel-genetic-algorithm
- 经典遗传算法利用单一种群对种群个体进行交叉、变异和选择操作，在进化过程中的超级个体易产生过早收敛现象，粗粒度并行遗传算法利用多个子种群进行进化计算，各子群体分别独立进行遗传操作，相互交换最优个体后继续进化。该文证明了该算法的搜索过程是一个有限时齐遍历马尔柯夫链，给出粗粒度并行遗传算法全局最优收敛性证明。对于旅行商问题TSP利用粗粒度并行遗传算法进行了求解，以解决经典遗传算法的收敛到局部最优值问题。仿真结果表明，算法的收敛性能优于经典遗传算法。-Classic genetic algorithm