搜索资源列表
GAF1
- 利用遗传算法，对一个函数求取极值的一种方法，考虑到普通遗传算法中初始种群，对极值影响较大，程序的采用了多个初试种群同时学习，相互比较以求取极大值。-use of genetic algorithm, a function of a strike extreme methods, taking into account the general genetic algorithm initial population, Extreme right big impact and the procedu
duodianjiaocha
- 用多点交叉实现遗传算法，能够自主选择种群大小、变异率、交叉率以及染色体编码的输出，结果输出为文本。-with more cross-Genetic algorithm, can choose the size of population, the mutation rate, chromosome cross-rate encoding and output, the output text.
yichuan
- * 这里是遗传算法的核心框架遗传算法的步骤： * 遗传算法核心部分的算法描述 * 算法步骤： * 1、初始化 * 1.1、生成初始种群编码 * 1.2、计算每个个体的适配值。 * 1.3、记录当前最优适配值和最优个体 * 2、选择和遗传， * 2.0、若当前最优适配值多次小于已有的最优适配值（或相差不大）很多次，或者进化的次数超过设定的限制，转4。 * 2.1、按照与每个个体的适配值成正比的概率选择个体并复制，复制之后个体的数目和原始种群数目
ga
- 遗传算法(Genetic Algorithm,GA)是一种抽象于生物进化过程的基于自然选择和生物遗传机制的优化技术. 遗传算法的基本原理 在遗传算法的执行过程中,每一代有许多不同的种群个体(染色体 )同时存在。这些染色体中哪个保留(生存)、哪个淘汰(死亡),是根据 它们对环境的适应能力来决定的,适应性强的有更多的机会保留下来 。适应性强弱是通过计算适应性函数f(x)的值来判别的,这个值称为适应值。适应值函数f(x)的构成与目标函数有密切关系,往往是目标函数的变种。
Genetic-Algorithm
- 遗传算法是从代表问题可能潜在的解集的一个种群开始的，而一个种群则由经过基因编码的一定数目的个体组成。每个个体实际上是染色体带有特征的实体。染色体作为遗传物质的主要载体，即多个基因的集合，其内部表现（即基因型）是某种基因组合，它决定了个体的形状的外部表现，如黑头发的特征是由染色体中控制这一特征的某种基因组合决定的。因此，在一开始需要实现从表现型到基因型的映射即编码工作。由于仿照基因编码的工作很复杂，我们往往进行简化，如二进制编码，初代种群产生之后，按照适者生存和优胜劣汰的原理，逐代演化产生出越来
KnapsacksProblem
- 本程序将遗传算法应用于背包问题。借助了大自然的演化过程,是多线索而非单线索的全局优化方法,采用的是种群和随机搜索机制. -This procedure will be applied to knapsack problem genetic algorithm. With the evolution of nature, is more than a single clue leads the global optimization method, using population and ran
duoboluyou
- 针对通信网络中多重QoS约束条件下的多播路由计算，提出了一个基于模拟退火技术的改进遗传算法HGA-QoSR。该算法把模拟退火技术的局部寻优能力与遗传算法的全局寻优能力有机结合，并利用隔离小生境机制控制种群的独立进化，使演化过程中的种群保持生态多样性，以提高算法运行效率和解的质量。理论分析和仿真实验表明，与传统遗传算法相比较，该算法性能有显著改进。 -Communication networks for multi-QoS Constrained multicast routing calcula
100
- 前推回代法的辐射状配电网潮流程序 matlab编写蚁群算法实践 粒子群工具箱PSOt 基于遗传算法配电网无功优化方法程序源代码 求解机组组合问题的多种群混沌蚁群算法-Before the backward substitution method for radial distribution power flow program Matlab to write practical particle swarm ant colony algorithm toolbox PSOt Reactive
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
MMAdapGA
- 用matlab编写了多变异位自适应遗传算法，在自适应遗传算法中加入多位变异，以增加种群的多样性-Changeable to ectopic adaptive genetic algorithm using matlab number variation adaptive genetic algorithm, in order to increase the diversity of the population
Untitled2
- 基于量子遗传算法的多目标优化，参数为种群规模m二50，量子位数n二2，转角步长初值氏=0.01二，变异概率p二二0.1，交叉概率Pc二0.8，限定代数丈~二5-Quantum genetic algorithm-based multi-objective optimization parameters for population size m 50, the quantum number n = 2, the corner step initial value s = 0.01, mutati
MGAA
- 本算法是基于遗传算法的多种群算法，能够对全局的多个目标进行同时寻优，在全局中能够取得较好的全局最优值。-This is a multi-swarm algorithm based on genetic algorithm, capable of multiple targets simultaneously global optimization, in the big picture can achieve better global optimum.
gaf1
- 利用遗传算法，对一个函数求取极值的一种方法，考虑到普通遗传算法中初始种群，对极值影响较大，程序的采用了多个初试种群同时学习，相互比较以求取极大值。-Using genetic algorithm, a function of a strike extreme approach, taking into account the general genetic algorithm initial population, a greater impact on the extreme, the pro
gatbx
- 遗传算法是计算数学中用于解决最佳化的搜索算法，是进化算法的一种。进化算法最初是借鉴了进化生物学中的一些现象而发展起来的，这些现象包括遗传、突变、自然选择以及杂交等。遗传算法通常实现方式为一种计算机模拟。对于一个最优化问题，一定数量的候选解（称为个体）的抽象表示（称为染色体）的种群向更好的解进化。传统上，解用二进制表示（即0和1的串），但也可以用其他表示方法。进化从完全随机个体的种群开始，之后一代一代发生。在每一代中，整个种群的适应度被评价，从当前种群中随机地选择多个个体（基于它们的适应度），通过
DZGA
- 基于多种群的遗传算法目标函数优化，达到最优的收敛速率-Based on multi-population genetic algorithm optimization objective function, optimal convergence rate
3jiMPGA
- 电力系统3机经济符合分配；多种群分配遗传算法-power system economic load dispatch multiple population genetic algorithm
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