搜索资源列表
GAforPathPlaning
- 采用栅格对机器人的工作空间进行划分，再利用优化算法对机器人路径优化，是采用智能算法求最优路径的一个经典问题。目前，采用蚁群算法在栅格地图上进行路径优化取得比较好的效果，而利用遗传算法在栅格地图上进行路径优化在算法显得更加难以实现。 利用遗传算法处理栅格地图的机器人路径规划的难点主要包括：1保证路径不间断，2保证路径不穿过障碍。 用遗传算法解决优化问题时的步骤是固定的，就是种群初始化，选择，交叉，变异，适应度计算这样，那么下面我就说一下遗传算法求栅格地图中机器人路径规划在每个步骤的问题
ICSS
- 时间序列模型icss算法找到方差结构突变点得到变点的位置和个数(The time series model icss algorithm finds the position and number of the change point of the variance structure mutation point.)
遗传算法优化的BP神经网络
- 遗传算法优化BP 神经网络是用遗传算法来优化BP 神经网络的初始权值和阔值，使优化 后的BP 神经网络能够更好地预测函数输出。遗传算法优化BP 神经网络的要素包括种群初 始化、造应度函数、选择操作、交叉操作和变异操作。(Genetic algorithm optimizes BP neural network by using genetic algorithm to optimize the initial weight and broad value of BP neural netwo
遗传算法
- 遗传算法以一种群体中的所有个体为对象，并利用随机化技术指导对一个被编码的参数空间进行高效搜索。其中，选择、交叉和变异构成了遗传算法的遗传操作；参数编码、初始群体的设定、适应度函数的设计、遗传操作设计、控制参数设定五个要素组成了遗传算法的核心内容。(Genetic algorithm takes all individuals in a group as objects, and uses randomized technology to guide efficient search of a c
code
- 基于蚁群算法的 TSP 求解，分别采用蚁群算法和蚁群算法-粒子群混合算法进行优化求解，使用不同的交叉和变异适应度函数更新粒子，从而实现 TSP问题的优化求解，更加逼近实际问题。(Based on the TSP solution of ant colony algorithm, ant colony algorithm and hybrid algorithm of ant colony algorithm particle swarm optimization are used to solv
neural-network-genetic-algorithm-master
- 为了自动学习CNN的深度网络结构，网络结构的数量随着网络中间层数量的增加呈指数增长，这启发我们使用遗传算法有效地遍历这个大的搜索空间。我们首先提出一种编码方法，将每个网络结构表示为一个固定长度的二进制字符串，然后通过生成一组随机个体来初始化遗传算法。在每一代中，我们定义标准的遗传操作(如选择、突变和交叉)来消除弱势个体并产生更具竞争力的个体。(In order to automatically learn the deep network structure of CNN, the number
IMCRA111
- IMCRA(Improved?Minima Controlled Recursive Averaging，IMCRA)，它们虽然保证了噪声谱估计的准确性，但在追踪带噪语音平滑功率谱最小值时采用了固定时间窗，因此，在噪声突变的情况下，估计的噪声谱存在很长的延时。(IMCRA, Although they ensure the accuracy of noise spectrum estimation, they use a fixed time window to track the minimu
奇异值确定K
- 根据奇异值分解出来的奇异值，画出奇异值分布曲线，根据公式算出奇异值的突变点，此时突变点即是VMD分解分量数的K值(According to the singular value decomposed by singular value, the distribution curve of singular value is drawn, and the mutation point of singular value is calculated according to the formula.
粒子群算法
- 粒子群算法，也称粒子群优化算法或鸟群觅食算法(Particle Swarm Optimization)，缩写为 PSO， 是近年来由J. Kennedy和R. C. Eberhart等 开发的一种新的进化算法(Evolutionary Algorithm - EA)。PSO 算法属于进化算法的一种，和模拟退火算法相似，它也是从随机解出发，通过迭代寻找最优解，它也是通过适应度来评价解的品质，但它比遗传算法规则更为简单，它没有遗传算法的"交叉"(Crossover) 和"
免疫算法求解配送中心选址问题matlab代码
- 免疫算法求解配送中心选址问题，配送中心向需求点配送货物是供应链中的重要部分.本文以成本最低为目标函数,把距离上限加入到惩罚机制,并根据抗体和抗原之间的亲和力设计自适应交叉和变异概率,把自适应的免疫算法应用到配送中心模型中进行求解,最后通过仿真实验对比验证了算法用在配送中心选址上有较好的效果.(Immune Algorithm is used to solve the location problem of Distribution Center, which is an important pa
GBO加了改进的算法
- 利用柯西、高斯、莱维三种突变策略改进GBO算法，通过测试结果表明，改进的算法有了显著性的提高。(Three mutation strategies of Cauchy, Gauss and Levy are used to improve the GBO algorithm, and the test results show that the improved algorithm has a significant improvement.)
MK突变检验及数据
- 针对遥感长时序数据进行MK突变点检验，亲测可用，并在MATLAB中生成折线图(MK mutation point test is carried out for remote sensing long time series data, which can be used for personal test, and line chart is generated in MATLAB)
GA-PSO
- PSO算法计算函数极值时，常常出现早熟现象，导致求解函数极值存在较大的偏差，然而遗传算法对于函数寻优采用选择、交叉和变异算子操作，直接以目标函数作为搜索信息，以一种概率的方式来进行，因此增强了粒子群优化算法的全局寻优能力，加快了算法的进化速度，提高了收敛精度。(When PSO algorithm calculates function extremum, it often appears premature phenomenon, which leads to large deviation