搜索资源列表
net-game-servers-design
- 优秀硕士论文《网络游戏服务器集群的设计和实现》,本论文立足于网络游戏服务器端的开发,在借鉴前人设计的基础上,将网络游戏服务中所普遍需要的几大功能进行分解、实现并进一步将它们构建为服务器集群。对“如何稳定地协调游戏服务器与各功能服务器并同时给游戏玩家以较完美的游戏体验?如何利用服务器集群来将维持整个虚拟游戏世界运转的任务分配到不同的计算机?如何达到降低单台计算机的负载,更好的保证网络的稳定性和通讯的及时性,支持更多的同时在线人数?\"等几个问题给出了实现层面的解答。 在本课题给出的服务器集群
单纯形和人口迁移的混合全局优化算法
- 摘要:针对基本人口迁移算法具有易早熟和精度不高等缺陷,利用人口迁移算法随机产生的点采用单纯形法进行优化,提出了 一种基于单纯形法和人口迁移算法的混合全局优化算法。通过典型的测试函数Shaffer,验证了改进后算法的性能,并与10 种类型 的粒子群优化算法进行比较,结果表明,该文算法能获得比较好的解,收敛成功率高达100%。
3
- 基于椭圆曲线离散对数问题的一次签名方案。出了一个基于椭圆曲线离散对数问题的可证安全性的一次签名方案,构造了一个椭圆曲线群上的单向 函数,给出了签名方案初始化的相关算法以及椭圆曲线群上的点加算法和倍点算法,设计了签名算法和验证算法,同时证明了签名方案的安全性.-Based on elliptic curve discrete logarithm problem in a signature scheme. Out of one based on elliptic curve discrete
23445455
- 针对小生境粒子群优化技术中小生境半径等参数选取问题,提出了一种新颖的小生境方法,无须小生 境半径等任何参数。通过监视粒子正切函数值的变化,判断各个粒子是否属于同一座山峰,使其追踪所在山峰 的最优粒子飞行,进而搜索到每一座山峰极值。算法实现简单,不仅克服了小生境使用中需要参数的弊端,而且 解决了粒子群算法只能找到一个解的不足。最后通过对多峰值函数的仿真实验,验证了算法可以准确地找到所 有山峰-Proposed a novel niche for niche particle
466676
- 针对小生境粒子群优化技术中小生境半径等参数选取问题,提出了一种新颖的小生境方法,无须小生 境半径等任何参数。通过监视粒子正切函数值的变化,判断各个粒子是否属于同一座山峰,使其追踪所在山峰 的最优粒子飞行,进而搜索到每一座山峰极值。算法实现简单,不仅克服了小生境使用中需要参数的弊端,而且 解决了粒子群算法只能找到一个解的不足。最后通过对多峰值函数的仿真实验,验证了算法可以准确地找到所 有山峰-Proposed a novel niche for niche particle
求解矩阵特征值的改进PSO算法
- 求解矩阵特征值的改进PSO算法:为了改进粒子群算法在求解矩阵特征值时只能根据矩阵特征值范围逐一求解特征值的现状提出了一种改进的粒子群 算法改进的粒子群算法采用寻找到一个特征值后,适当改变适应值函数的策略,使搜索区域远离已寻找到的特征值,继续寻找 其他的特征值,如此反复,直到寻找到所有的特征值为止利用四个不同类型的矩阵求解特征值进行仿真,实验结果也验证了算 法的实用性和有效性
Custom-Evaluation
- 提出一种基于粗糙集与支持向量机的客户动态评估方法。根据客户群特点从当前价值、潜在价值和附加价值三个维度分析并构建客户评估指标,利用指标的年增幅率监测客户价值的变化规律。应用粗糙集布尔推理算法、粒子群算法实现连续属性离散化和知识约简。通过10-重交叉验证和网格搜索技术获取最优惩罚因子与核参数,缩放样本数据集并完成支持向量机一对一分类器的训练与测试。结果表明该评估方法能够实现周期性的客户价值评估与细分,具有很强的泛化能力。- A customer dynamic evaluation method
MATLABchengxusheji
- 阐述了粒子群算法的基本原理,探讨了在MATLAB环境中实现粒子群算法的编程方法,构建粒子群算法工具箱函数,通过仿真示例验证了该方法的有效性,表明它能够对函数进行全局优化。-Expounded the basic principles of particle swarm optimization to explore particle swarm algorithm in MATLAB programming method to construct the particle swarm optim
Binary-particle-swarm-source
- 本文给出了二进制粒子群算法的源程序,并运用实例进行了验证。-In this paper, the source code of the binary particle swarm algorithm is given and verified by an example.