搜索资源列表
Matlab5
- ：介绍遣传算法的基本原理和Matlab的遗传算法优化工具箱(GAOT)，分析了优化工具函数。探讨Matlab遗传算法工具箱在 参数优化和非线性规划中的应用。通过优化实例，说明遗传算法是一种具有良好的全局寻优性能的优化方法。用Maflab语 言及Maflab语言编制的优化工具箱进行优化设计具有语言简单、函数丰富、用法比较灵活、编程效率高等特点。
MATLAB
- 可行点标记求最佳匹配算法的MATLAB 程序代码 求最小费用最大流算法的MATLAB 程序代码 匈牙利算法的MATLAB 程序代码 遗传算法解决TSP问题的Matlab程序 遗传算法解决非线性规划问题的Matlab程序
MATLABApplication
- 阐述了遗传算法的基本原理,对MATLAB 遗传算法工具箱(GAOT) 的参数使用进行 了详细介绍,探讨了MATLAB 遗传算法工具箱(GAOT) 在水资源非线性规划和多目标规划时的 应用,并用简单实例证明了这种应用具有良好的通用性、可行性和简便性,可以得到较满意的 优化计算结果。
MATLABGAOT
- 简要阐述了遗传算法的基本原理，并对O0PQ0R 遗传算法工具箱（\"0SP）的参数进行 了详细的介绍。探讨了O0PQ0R 遗传算法工具箱在参数优化和非线性规划中的应用，实例证明了遗 传算法在参数优化和非线性规划中的可行性。
matlabforGA
- matlab遗传算法程序，解决飞线性整数规划
GAlujingguihua
- C语言环境下的基于遗传算法和栅格法的机器人路径规划程序
Fsvm_Regression
- 该文研究了当训练点的输出为三角模糊数时!支持向量回归机的构建问题’ 首先将模糊回归问题转化为模糊分 类问题!并将求模糊最优分类超平面问题转化为求解带有模糊决策的机会约束规划问题’ 利用基于模糊模拟的遗传算法 求解带有模糊决策的机会约束规划!得到模糊最优分类超平面&模糊方程$!解模糊方程得到模糊回归函数’ 在此基础上! 得出模糊线性支持向量回归机&算法$’ 从而较好地解决了支持向量机中含有模糊信息的模糊回归问题’ 最后!给出显示 模糊线性支持向量回归机特点的模糊支持向量集的定义’
GAljgh
- 基于遗传算法的移动机器人路径规划研究,该论文在分析了目前各种路径规划方法优缺点的基础上，选择遗传算法来解决静态和动态环境下移动机器人的路径规划问题。
GAant
- 基于栅格划分的环境中,研究了机器人路径规划问题中蚁群系统的“外激素”表示及更新方式,并将遗传算法的交叉操作结合到蚁群系统的路径寻优过程中,提高了蚁群系统的路径寻优能力,为蚁群算法的应用提供了一种新的探索。
GA_Matlab
- 在工业工程中,许多最优化问题性质十分复杂,很难用传统的优化方法来求解.自1960年以来,人们对求解这类难解问题日益增加.一种模仿生物自然进化过程的、被称为“进化算法（evolutionary algorithm）”的随机优化技术在解这类优化难题中显示了优于传统优化算法的性能。目前，进化算法主要包括三个研究领域：遗传算法、进化规划和进化策略。其中遗传算法是迄今为止进化算法中应用最多、比较成熟、广为人知的算法。
200806
- 动态未知环境下移动机器人路径规划遗传算法
jiqiren
- 基于遗传算法的机器人路径规划问题．选择一条很好的路径
genetic-algorithm
- 这个是用遗传算法实现的最优路径规划，经本人验证完全可以实现，能够出图。
0123
- 遗传算法在曲线多边形近似中的应用 在平面数字曲线的多边形近似中, 为克服顶点的检测只依靠局部区域、缺乏全局信息的弱点, 文中把多边 形近似问题作为寻找在满足一定的近似误差条件下使顶点数最少、或者使顶点数和近似误差都尽可能少的最优化 问题来处理. 为了能够处理点数较多的曲线, 文中采用遗传算法和基于Pareto 最优解的改进遗传算法来求近似最 优解. 和一些经典算法的实验比较表明, 文中算法与只依靠曲线局部特性的一类算法相比, 在近似的保真性和效率 上有明显的改进, 同时
TSP
- tsp（旅行商问题） 利用matlab遗传算法、模拟退火算法以及lingo动态规划求解
yichuan
- 遗传算法的机器人路径规划的源代码。用C++来实现的
GA_PathPlanning
- 遗传算法用于机器人路径规划的matlab代码
gainteger_demo
- 遗传算法用于整数规划。约束一些参数为整数，通过GA函数来实现混合整数规划。
GA_duomubiao
- matlab编写的遗传算法程序。实现多目标规划求解。
Stochastic-Programming-2
- 随机规划解决随机优化问题，主要用到遗传算法，神经元网络。-stochastic programming problem solving stochastic optimization, use genetic algorithms, neural network.