搜索资源列表
模拟退火例子1
- 模拟退火算法来源于固体退火原理，将固体加温至充分高，再让其徐徐冷却，加温时，固体内部粒子随温升变为无序状，内能增大，而徐徐冷却时粒子渐趋有序，在每个温度都达到平衡态，最后在常温时达到基态，内能减为最小。根据Metropolis准则，粒子在温度T时趋于平衡的概率为e-ΔE/(kT)，其中E为温度T时的内能，ΔE为其改变量，k为Boltzmann常数。用固体退火模拟组合优化问题，将内能E模拟为目标函数值f，温度T演化成控制参数t，即得到解组合优化问题的模拟退火算法：由初始解i和控制参数初值t开始，对
模拟退火例子2
- 模拟退火算法来源于固体退火原理，将固体加温至充分高，再让其徐徐冷却，加温时，固体内部粒子随温升变为无序状，内能增大，而徐徐冷却时粒子渐趋有序，在每个温度都达到平衡态，最后在常温时达到基态，内能减为最小。根据Metropolis准则，粒子在温度T时趋于平衡的概率为e-ΔE/(kT)，其中E为温度T时的内能，ΔE为其改变量，k为Boltzmann常数。用固体退火模拟组合优化问题，将内能E模拟为目标函数值f，温度T演化成控制参数t，即得到解组合优化问题的模拟退火算法：由初始解i和控制参数初值t开始，对
模拟退火例子3
- 模拟退火算法来源于固体退火原理，将固体加温至充分高，再让其徐徐冷却，加温时，固体内部粒子随温升变为无序状，内能增大，而徐徐冷却时粒子渐趋有序，在每个温度都达到平衡态，最后在常温时达到基态，内能减为最小。根据Metropolis准则，粒子在温度T时趋于平衡的概率为e-ΔE/(kT)，其中E为温度T时的内能，ΔE为其改变量，k为Boltzmann常数。用固体退火模拟组合优化问题，将内能E模拟为目标函数值f，温度T演化成控制参数t，即得到解组合优化问题的模拟退火算法：由初始解i和控制参数初值t开始，对
mathmodel
- 这是一个好的建模学习资料,赶快下载吧, 数学建模十大算法 ( 包含:蒙特卡罗算法、数据拟合、参数估计、 插值等数据处理算法、线性规划、整数规划、多元规划、二次规划等规划类问题、 图论算法、动态规划、回溯搜索、分治算法、分支定界等计算机算法、 最优化理论的三大非经典算法：模拟退火法、神经网络、遗传算法、 网格算法和穷举法、一些连续离散化方法、数值分析算法、图象处理算法）-This a good model to study the information, downloa
rjMCMC1
- 一个可逆跳转蒙特卡罗采样（RJMCMC）算法详细程序，内附相关论文，对照论文看算法，便于理解。包含多种运动方式（增加，减少，分裂，合成，更新）
MonteCarlo
- 蒙特卡罗算法讲解，课件，第一章 理论原理-On the Monte Carlo algorithm, courseware, chap theoretical principle
TSP
- 模拟退火算法来源于固体退火原理，将固体加温至充分高，再让其徐徐冷却，加温时，固体内部粒子随温升变为无序状，内能增大，而徐徐冷却时粒子渐趋有序，在每个温度都达到平衡态，最后在常温时达到基态，内能减为最小。根据Metropolis准则，粒子在温度T时趋于平衡的概率为e-ΔE/(kT)，其中E为温度T时的内能，ΔE为其改变量，k为Boltzmann常数。用固体退火模拟组合优化问题，将内能E模拟为目标函数值f，温度T演化成控制参数t，即得到解组合优化问题的模拟退火算法：由初始解i和控制参数初值t开始，
fire
- 模拟退火算法是基于蒙特卡罗迭代求解法的一种启发式随机搜索过程。本文给出了该算法的详细介绍和伪代码。-Monte-Carlo simulated annealing algorithm is based on a heuristic iterative method for solving stochastic search process. This paper gives a detailed descr iption of the algorithm and pseudo code.
MonteCarlo-ppt-sample
- 蒙特卡罗(Monte Carlo)方法，又称计算机随机模拟方法，是一种基于"随机数"的计算方法。这一方法源于美国在第二次世界大战研制原子弹的曼哈顿计划。该计划的主持人之一数学家冯诺伊曼用驰名世界的赌城-摩纳哥的Monte Carlo来命名这种方法。-Monte Carlo (Monte Carlo) methods, also known as computer-generated random simulation method is based on " random number&
mnth
- 模拟退火算法来源于固体退火原理，将固体加温至充分高，再让其徐徐冷却，加温时，固体内部粒子随温升变为无序状，内能增大，而徐徐冷却时粒子渐趋有序，在每个温度都达到平衡态，最后在常温时达到基态，内能减为最小。根据Metropolis准则，粒子在温度T时趋于平衡的概率为e-ΔE/(kT)，其中E为温度T时的内能，ΔE为其改变量，k为Boltzmann常数。用固体退火模拟组合优化问题，将内能E模拟为目标函数值f，温度T演化成控制参数t，即得到解组合优化问题的模拟退火算法：由初始解i和控制参数初值t开始，对
mcmc
- 经典的算法程序，让你的问题顺利而解！很多，像马尔可夫链、蒙特卡罗算法，蚁群算法等等。-Classical algorithm procedure for smooth solution to your problem! Many, such as Markov chain Monte Carlo algorithm, ant colony algorithm and so on.
GA.cpp
- 选择:根据遗传算法的收敛定理,赌轮法(蒙特卡罗法) ,进行个体选择。交叉:交叉互换的重要特征是它能产生不同于父体的子体。交叉概率越大,交叉操作的可能性也越大 如果交叉率太低,收敛速度可能降低。单阈值分割由于只有一个参数,所以采用一点交叉,在此设置交叉概率为0.65。变异:变异概率为0.01 。-This is a simple genetic algorithm implementation where the evaluation function takes positive values
Monte-Carlo-simulation
- 论文基于BP神经网络_蒙特卡罗模拟与核估计的经济增长预测研究-Paper, based on BP neural network _ Monte Carlo simulation and nuclear estimates of the economic growth forecast
algorithms
- 十大算法论文，包括遗传算法，模拟退火，蒙特卡罗法等等，对于初学者很有帮助-Ten papers algorithms, including genetic algorithms, simulated annealing, Monte Carlo method, etc., very helpful for beginners! !
Markov_Chain_Monte_Carlo_Methods
- 详细讲述了马尔科夫蒙特卡罗算法的实现原理。-Details about 马尔科夫蒙 Monte Carlo algorithm implementation principle.
SA
- 模拟退火算法 模拟退火算法来源于固体退火原理，将固体加温至充分高，再让其徐徐冷却，加温时，固体内部粒子随温升变为无序状，内能增大，而徐徐冷却时粒子渐趋有序，在每个温度都达到平衡态，最后在常温时达到基态，内能减为最小。根据Metropolis准则，粒子在温度T时趋于平衡的概率为e-ΔE/(kT)，其中E为温度T时的内能，ΔE为其改变量，k为Boltzmann常数。用固体退火模拟组合优化问题，将内能E模拟为目标函数值f，温度T演化成控制参数t，即得到解组合优化问题的模拟退火算法：由初始解i
matlab-accessory_parameter
- lingjian.m-----蒙特卡罗方法 lingjian.m使用零件初始值，用蒙特卡罗方法算出总费用。其中使用了自己编制的正态分布随机数发生器产生正态分布随机数。lingjian.m是对蒙特卡罗方法的一次练习。 accyouhua为标定值的函数，而lingjian不是一个函数，在其中已给出了一组标定值的值。 退火确定标定值/unitanneal()----模拟退火 连续型多个变量组合优化问题 这是对模拟退火方法的一次练习，结果证明模拟退火确实是一
area-load
- 电动汽车是智能电网的一个重要组成部分，能很好的解决能源紧缺，环境污染等问题。无线充电技术更有利于电动汽车与电网进行互动，更好的发挥电动汽车削峰填谷、消纳可再生能源的功能。本文在研究中国电动汽车发展相关政策的基础上，结合电动汽车无线充电的特点，基于统计数据，利用蒙特卡罗方法抽取私家电动汽车一次出行里程数，根据电池充电特性及车辆行驶习惯获得电动汽车充电的起始荷电状态、充电功率和起始充电时间，建立了一个较为精确的预测无线充电私家电动汽车充电负荷的数学模型，并对2015年和2020年私家电动汽车进行了充
PARTICLE-FILTER-ISSUES
- 针对基于贝叶斯原理的序贯蒙特卡罗粒子滤波器出现退化现象的原因, 以无敏粒子滤波(U PF)、辅助粒子滤波 (A S IR) 及采样重要再采样(S IR) 等改进的粒子滤波算法为例, 对消除该缺陷的关键技术(优化重要密度函数及再采样) 进行了 分析研究。说明通过提高重要密度函数的似然度、引进当前测量值、预增和复制大权值粒子等方式, 可以有效改善算法性能。 最后通过对一无源探测定位问题进行仿真, 验证了运用该关键技术后, 算法的收敛精度和鲁棒性得到进一步增强。- Abstract:W e
small_mc
- 蒙特卡罗小算法程序MC VC/C++ 简便的可执行蒙特卡罗程序-MC MONTE CARLO SMALL-ari