搜索资源列表
Genetic_and_Ant_Algorithms_src
- 遗传和蚁群算法改进源代码,对于研究仿真算法非常有用.可以深刻了解遗传和蚁群算法原理.采用VC6.0,通过编译和调试
psot
- 基於遗传粒子群的最新改进算法 -The latest improvements in genetic particle swarm algorithm
Dynamic-Search-Algorithm
- 提出一种基于改进粒子群动态搜索算法的网络重构方法，算法把初始粒子群按照适应度的大小分为两个互不交叉，且具有不同分工的子群，并进行动态搜索。通过引入了交叉和禁忌思想，减少了解陷入局部最优的可能性．与遗传、禁忌搜索算法重构的结果进行比较，表明本文算法具有更高的搜索效率，更容易找到全局最优解．-：An improved method based on improved particle swarm optimization dynamic search algodthm networkrcconfig
Iant-tsp-searm
- 改进的蚁群算法及其在TSP问题中的应用研究核心是用遗传传算法对蚁群算法的四个参数进行优化，及运用MMAS进行巡径 -Improved ant colony algorithm and its core TSP problem is genetic propagation algorithm to optimize the four parameters of the ant colony algorithm, and the use of the MMAS patrol Trail
GAgaijin
- 遗传基本算法及其改进的matlab程序，适合初学者，入门新手熟悉相关程序及算法流程，有利于下一步针对性的改进和研究~-Basic genetic algorithm and its improved matlab procedures, suitable for beginners entry novice familiar with the procedures and algorithms process Next targeted conducive to improvements and
gasaTSP
- 利用改进的并行遗传退火算法求解了tsp问题，得到性能收敛图和最短路径-Using improved parallel genetic annealing algorithm the tsp problem, get map and the shortest route convergence performance
GAPSO
- 基于遗传交叉算法的改进的混沌粒子群优化算法，收敛速度快，精度高-The improved chaotic particle swarm optimization algorithm based on genetic crossover algorithm has high convergence speed and high precision
f_single
- 在求解装备的资源约束型装配线平衡单目标优化问题时，采用用matlab解决改进的遗传算法。(The single objective problem is solved with matlab language.)
ga
- 在求解装备的资源约束型装配线一类平衡问题时，借助遗传算法，并对遗传算法进行改进，利用matlab程序进行优化求解。(The type 1 assembling line balancing problem for certain equipment is sovled with modified genetic algorithm by using matlab languge.)
simulation
- 在求解装备的资源约束型装配线一类平衡问题时，借助遗传粒子群算法进行优化求解，并对遗传粒子群算法进行改进，利用matlab程序进行优化求解。本次结果是进行仿真的结果。(When solving the resource-constrained assembly line balance problem of equipment, the genetic particle swarm optimization algorithm is used to optimize the solution, a
基于最优流的配电网络重构程序
- 提出了一种基于改进最优流和遗传算法的配电网重构算法.该算法先利用配电网的同胚图将重构问题的全局寻优空间划分为若干子空间,然后利用改进最优流法寻找子空间内的最优解,之后再利用遗传算法搜索全局最优解所在的子空间,从而实现在局部最优解中寻找全局最优解.(A distribution network reconfiguration algorithm based on improved optimal flow and genetic algorithm is proposed. First, the
NSGA
- 多目标遗传算法是NSGA-II[1]（改进的非支配排序算法）,该遗传算法相比于其它的多目标遗传算法有如下优点：传统的非支配排序算法的复杂度为 ，而NSGA-II的复杂度为 ，其中M为目标函数的个数，N为种群中的个体数。引进精英策略，保证某些优良的种群个体在进化过程中不会被丢弃，从而提高了优化结果的精度。采用拥挤度和拥挤度比较算子，不但克服了NSGA中需要人为指定共享参数的缺陷，而且将其作为种群中个体间的比较标准，使得准Pareto域中的个体能均匀地扩展到整个Pareto域，保证了种群的多样性
BP神经网络负荷预测
- 基于神经网络对微电网进行负荷预测，并通过遗传算法进行改进(Based on neural network Load Forecasting)
神经网络数据预测
- 使用遗传算法改进的神经网络算法，对某地区用电进行预测，并分析预测的误差大小，使用python