搜索资源列表
SGA2.0
- 遗传算法 2.0版本 非常有效的进化搜索算法 实现简单
ant
- 蚁群算法( ant colony algorithm) 是由意大利学者 Dorigo 等人[1 ,2 ] 于20 世纪90 年代初期通过模拟自然界 中蚂蚁集体寻径的行为而提出的一种基于种群的启发 式仿生进化系统。蚁群算法包含两个基本阶段:适应阶 段和协作阶段。在适应阶段,各候选解根据积累的信息 不断调整自身结构。在协作阶段,候选解之间通过信息 交流,以期望产生性能更好的解,这类似于学习自动机 的学习机制。蚁群算法最早成功应用于解决著名的旅 行商问
javaea-csp
- JavaEA是一个用Java编写的基于进化计算（Evolutionary Algorithms）的随机二元约束满足问题求解器，作者提供了多个进化计算方法求解随机二元约束满足问题。
test1
- 蚁群算法是模仿真实的蚁群行为而提出的一种模拟进化算法，蚂蚁之间是通过一种信息素的物质传递信息的，蚂蚁在运动的过程中能够在经过的路径上留下该物质，而且能够感知这种物质的存在及其强度，并以此指导自己的运动方向。它是一种通过类比组合优化和蚁群觅食行为而构造的一种算法，可以用来解决各种组合优化问题，本代码用来解决生产调度问题
ImageSegmentation
- 基于马尔可夫随机场的遗传模拟退火算法用于图像分割，研究进化算法用于图像分割的同志可以得到启发
Simular_Aneal_tools
- 模拟退火算法matlab工具箱，可以用于多目标优化、约束优化等方面，配合进化算法使用，是难的的好工具
eo-1.0.1
- 这是linux下的进化计算的源代码。 === === === === === === ===== check latest news at http://eodev.sourceforge.net/ ======================================================================= Welcome to EO, the Evolving Objects library. The latest ne
jinhuajisuan
- 一个不错的进化计算的PPT，对于想学习进化计算的朋友可以参考。
Chapter07
- 人工神经网络实现的扫雷机程序,用遗传算法进化网络的权重效果很好
immunity_string
- 人工免疫进化算法来解决简单字符串识别的问题
PSOandDE
- 基于粒子群和微分进化的优化算法研究,是一篇优秀的博士论文，希望能对大家有用
gade
- ldpc码高斯进化程序，寻找好的次数分布对
Medical_Image_Segmentation_Based_on_Snake_Model.ra
- 基于Snake 模型的图像分割技术是近年来图像处理领域的研究热点之一。Snake 模型承载上层先验知识并融合 了图像的底层特征,针对医学图像的特殊性,能有效地应用于医学图像的分割中。本文对各种基于Snake 模型的改进算法和 进化模型进行了研究,并重点梳理了最新的研究成果,以利于把握基于Snake 模型的医学图像分割方法的脉络和发展方向。
TSP
- 用遗传算法解决旅行商问题，并用图形界面显示出来。比较了分别采用轮盘赌选择算子和锦标赛选择算子的遗传算法求解TSP问题的性能，包括：运行时间、进化总代数和最优解质量。 结果曲线可以用图形显示出来。
QuantumClonalEvolutionaryAlgorithms
- 本文在量子进化算法的基础上结合基于克隆选择学说的克隆算子,提出了改进的进化算法———量子克 隆进化策略算法(QCES) . 它既借鉴了量子进化算法的高效并行性又利用克隆算子来代替其中的变异和选择操作,以 增加种群的多样性,避免了早熟,且收敛速度快. 本文不仅从理论上证明了该算法的收敛,而且通过仿真实验表明了此 算法的优越性.
ga
- 实现了一个简单的花朵进化的模拟过程。 花朵的种群数量是10，共进化了50代。 通过运行程序，你会发现通过不断的进化，种群的总的适应环境的能力在逐步提高（fitness的值下降）。
f1
- 差分进化算法,是一种新兴起的智能计算方法.它能求解各种无约束优化问题.
FrameReader
- 是模拟达尔文的遗传选择和自然淘汰的生物进化过程的计算模型。遗传算法的基本操作包括：编码、初始群体的生成、适应度评估检测、选择、杂交操作、变异
PSO-evolutionarycomputation
- 粒子群优化算法(PSO)是一种进化计算技术(evolutionary computation)，有Eberhart博士和kennedy博士发明。源于对鸟群捕食的行为研究 PSO同遗传算法类似，是一种基于叠代的优化工具。系统初始化为一组随机解，通过叠代搜寻最优值。但是并没有遗传算法用的交叉(crossover)以及变异(mutation)。而是粒子在解空间追随最优的粒子进行搜索。详细的步骤以后的章节介绍 同遗传算法比较，PSO的优势在于简单容易实现并且没有许多参数需要调整。目
cgp
- 进化计算方面：基于图阵列的GP算法。值得进化计算方面的学生学习