关于题库系统智能成卷理论和组卷方法研究，基于自适应混合进化机制的智能组卷方法。
上传时间： 2013-12-20
上传用户：84425894
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
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
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
遗传算法（Genetic Algorithm）是一类借鉴生物界的进化规律（适者生存，优胜劣汰遗传机制）演化而来的随机化搜索方法。它是由美国的J.Holland教授1975年首先提出，其主要特点是直接对结构对象进行操作，不存在求导和函数连续性的限定；具有内在的隐并行性和更好的全局寻优能力；采用概率化的寻优方法，能自动获取和指导优化的搜索空间，自适应地调整搜索方向，不需要确定的规则。遗传算法的这些性质，已被人们广泛地应用于组合优化、机器学习、信号处理、自适应控制和人工生命等领域。它是现代有关智能计算中的关键技术。
标签： 算法
上传时间： 2016-05-09
上传用户：2017我们结婚吧
遗传算法，模拟达尔文进化论的自然选择和遗传学机理的生物进化过程的计算模型，一种选择不断选择优良个体的算法。谈到遗传，想想自然界动物遗传是怎么来的，自然主要过程包括染色体的选择，交叉，变异（不明白这个的可以去看看生物学），这些操作后，保证了以后的个体基本上是最优的，那么以后再继续这样下去就可以一直最优了。
上传时间： 2017-06-12
上传用户：tian610115
粒子群优化算法（PSO）是一种进化计算技术（evolutionary computation）,1995 年由Eberhart 博士和kennedy 博士提出，源于对鸟群捕食的行为研究 。
标签： 粒子群算法
上传时间： 2017-09-18
上传用户：yinfanghao
BP神经网络matlab源程序代码 %% 该代码为 BP 神经网络的预测代码 % 清空环境变量 clc clear % %% 网络结构建立 % 读取数据 load data input output input=data(;,1;2;3;4;5); output=data(;,5); %节点个数 %训练数据和预测数据 %选连样本输入输出数据归一化 %构建网络 net=newff(inputn,outputn,hiddennum); %网络进化参数 %网络训练 % 预测数据归一化
上传时间： 2018-04-10
上传用户：45808330
