出版社：高等教育出版社 作者：汪定伟 简介 高等教育出版社2007年4月出版。 本书主要介绍近年来产生的多种智能优化算法，包括遗传算法、禁忌搜索、模拟退火、蚁群优化算法、粒子群优化算法、捕食搜索算法和动态进化算法等算法的产生、算法的基本思想和理论、算法的基本构成、计算步骤、主要的变型算法及几个数值举例...
上传时间： 2014-11-14
上传用户：helmos
面向对象的可视化建模培训教程 [UML和Rational Rose/C++ Ver 4.x] 简介 ROSE提供的不同视图 配置用户界面 问题描述 问题需求描述 Use Cases 建立Actors ，Use Case 和Use Case 图 建立序列图 建立协同图 包和类 建立类、包和模版 重新分配类和包 建立类图
上传时间： 2017-07-31
上传用户：z754970244
免疫排课算法，遗传算法的一种进化形式。可供学习研究
上传时间： 2017-08-02
上传用户：exxxds
SFLA算法是解决组合性优化问题的算法。它是基于集合类方法的启发式研究，这种SFLA初始化于一群虚拟集合青蛙，在池塘中跳跃，搜寻最优的食物地点。青蛙们可以被看作是具有思维的的主体。一种思维可以被看作是一个思想的集合或是文化的进化。每一种思维都是由一系列策略构成。在这种策略进化期间，青蛙的思维也在发生改变，导致了他们在面向目标时方位的改变，这种思维的变化或改变的发生，正是因为青蛙受到其他更好思想的影响。
上传时间： 2017-08-08
上传用户：heart520beat
本书介绍了如何通过使用开放源码工具来构建一个现实的应用，以提高开发效率，降低企业开发费用。 本书共分三个部分，使基本概念、使用工具和开发应用三个过程贯穿于读者的学习当中。特别是本书提及的开发者工具箱，包含了诸多的开放源码项目，它们都是与J2EE长期协同工作的结晶。而且，书中的实例使通过重新创作著名的Sun Java 蓝图——PetStore应用，将JUnit、Ant、Hibernate、WebWork、SiteMesh、XDoclet以及Lucene等工具的应用演绎得淋漓尽致，有利于读者在开发过程中提高可用性、结构简洁性和复用性的能力。 本书适合于希望学习Java开放源码技术的程序员阅读。
标签： 开放源码
上传时间： 2017-08-20
上传用户：佳期如梦
本文介绍了一种基于NIOS II软核处理器实现对LCD-LQ057Q3DC02控制的新方法。在设计中利用FPGA的Altera的SOPC Builder定制NIOS II软核处理器及其与显示功能相关的“软” 硬件模块来协同实现显示控制的软硬件设计。利用SOPC技术，将NIOS II CPU和LCD控制器放在同一片FPGA中，解决了通常情况下必须使用LCD 控制专用芯片才能解决LCD显示的问题。
标签： NIOS Builder Altera LCD-LQ
上传时间： 2017-09-06
上传用户：天涯
无线传感器网络体系结构与性能标准 WSNs体系结构如图1所示。它主要由以下部分组 成_2]：传感器节点、接收发送器(Sink)、Internet或通信卫星、 任务管理节点等部分。传感器节点分布在感知区域内，采集 与观察对象相关的数据，并将协同处理后的数据传送到 Sink。Sink可以通过Internet或通信卫星实现传感器网络与 任务管理节点通信。WSNs路由协议的任务是在传感器节点 和Sink节点之间建立路由，可靠地传递数据。
上传时间： 2014-01-14
上传用户：ztj182002
调速系统设计据装备正常工作对输入控制信号的要求，设计了该型装备电机调速系统控制回路。该控制回路采用单片机 和FPGA协同工作，用数字方式实现SPWM信号。经过实际应用，该方法产生的电机调速系统控制信号不仅精度高，
标签： 调速；仿真
上传时间： 2015-04-25
上传用户：Micccc
遗传算法为群体优化算法，也就是从多个初始解开始进行优化，每个解称为一个染色体，各染色体之间通过竞争、合作、单独变异，不断进化。 优化时先要将实际问题转换到遗传空间，就是把实际问题的解用染色体表示，称为编码，反过程为解码，因为优化后要进行评价，所以要返回问题空间，故要进行解码。SGA采用二进制编码，染色体就是二进制位串，每一位可称为一个基因；解码时应注意将染色体解码到问题可行域内。 遗传算法模拟“适者生存，优胜劣汰”的进化机制，染色体适应生存环境的能力用适应度函数衡量。对于优化问题，适应度函数由目标函数变换而来。一般遗传算法求解最大值问题，如果是最小值问题，则通过取倒数或者加负号处理。SGA要求适应度函数>0，对于<0的问题，要通过加一个足够大的正数来解决。这样，适应度函数值大的染色体生存能力强。 遗传算法有三个进化算子：选择（复制）、交叉和变异。 SGA中，选择采用轮盘赌方法，也就是将染色体分布在一个圆盘上，每个染色体占据一定的扇形区域，扇形区域的面积大小和染色体的适应度大小成正比。如果轮盘中心装一个可以转动的指针的话，旋转指针，指针停下来时会指向某一个区域，则该区域对应的染色体被选中。显然适应度高的染色体由于所占的扇形区域大，因此被选中的几率高，可能被选中多次，而适应度低的可能一次也选不中，从而被淘汰。算法实现时采用随机数方法，先将每个染色体的适应度除以所有染色体适应度的和，再累加，使他们根据适应度的大小分布于0-1之间，适应度大的占的区域大，然后随机生成一个0-1之间的随机数，随机数落到哪个区域，对应的染色体就被选中。重复操作，选出群体规模规定数目的染色体。这个操作就是“优胜劣汰，适者生存”，但没有产生新个体。 交叉模拟有性繁殖，由两个染色体共同作用产生后代，SGA采用单点交叉。由于SGA为二进制编码，所以染色体为二进制位串，随机生成一个小于位串长度的随机整数，交换两个染色体该点后的那部分位串。参与交叉的染色体是轮盘赌选出来的个体，并且还要根据选择概率来确定是否进行交叉（生成0-1之间随机数，看随机数是否小于规定的交叉概率），否则直接进入变异操作。这个操作是产生新个体的主要方法，不过基因都来自父辈个体。 变异采用位点变异，对于二进制位串，0变为1，1变为0就是变异。采用概率确定变异位，对每一位生成一个0-1之间的随机数，看是否小于规定的变异概率，小于的变异，否则保持原状。这个操作能够使个体不同于父辈而具有自己独立的特征基因，主要用于跳出局部极值。 遗传算法认为生物由低级到高级进化，后代比前一代强，但实际操作中可能有退化现象，所以采用最佳个体保留法，也就是曾经出现的最好个体，一定要保证生存下来，使后代至少不差于前一代。大致有两种类型，一种是把出现的最优个体单独保存，最后输出，不影响原来的进化过程；一种是将最优个体保存入子群，也进行选择、交叉、变异，这样能充分利用模式，但也可能导致过早收敛。 由于是基本遗传算法，所以优化能力一般，解决简单问题尚可，高维、复杂问题就需要进行改进了。 下面为代码。函数最大值为3905.9262，此时两个参数均为-2.0480，有时会出现局部极值，此时一个参数为-2.0480，一个为2.0480。算法中变异概率pm=0.05，交叉概率pc=0.8。如果不采用最优模式保留，结果会更丰富些，也就是算法最后不一定收敛于极值点，当然局部收敛现象也会有所减少，但最终寻得的解不一定是本次执行中曾找到过的最好解。
标签： 遗传算法
上传时间： 2015-06-04
上传用户：芃溱溱123
《深度探索C++对象模型》专注于C++面向对象程序设计的底层机制，包括结构式语意、临时性对象的生成、封装、继承，以及虚拟——虚拟函数和虚拟继承。这本《深度探索C++对象模型》让你知道：一旦你能够了解底层实现模型，你的程序代码将获得多么大的效率。Lippman澄清了那些关于C++额外负荷与复杂度的各种错误信息和迷思，但也指出其中某些成本和利益交换确实存在。他阐述了各式各样的实现模型，指出它们的进化之道及其本质因素。书中涵盖了C++对象模型的语意暗示，并指出这个模型是如何影响你的程序的。
上传时间： 2015-06-14
上传用户：Syzu
