使用C#语言，VS2010环境开发，.NET2.0支持，的48键电子琴，支持鼠标+键盘同时操作，支持缩放窗口，支持自选MIDI音色，键盘热键只支持字母和数字，ZAQ1为由低到高四阶Do音(C)，黑键无热键。单文件直接运行
标签： 48键电子琴
上传时间： 2015-03-14
上传用户：hehahe
用独立按键控制的贪吃蛇游戏，随着蛇越来越长，速度越来越快。 唯一不足的就是点阵供电算法没写好，亮的灯多了以后每个灯亮度会变暗
上传时间： 2015-04-15
上传用户：shijianyizhan
C51实现西门子PPI协议，加入了串口扩展芯片16C554的驱动，通过51串口接入PPI，扩展串口可自由协议，接入任何设备
标签： C51实现西门子PPI协议
上传时间： 2015-04-29
上传用户：宿雨之爱
DSPTMS320LF2812原理图
标签： DSPTMS320LF2812
上传时间： 2015-05-06
上传用户：a1311846411
电子分频其实是相对于功率分频而言的，功率分频指音频信号经过放大器后输入音箱，通过音响内部的分频器对功率的信号进行分频后，再输出到各个单元。而电子分频先通过电子滤波器将音频信号滤波分出高、中、低后，在经过放大器分别输出到对应的单元上，这样功放就直接驳接扬声单元了
标签： 音响维修故障
上传时间： 2015-05-21
上传用户：linchangc
婚前财产协议书范本
标签： 财产协议 协议书 范本
上传时间： 2015-05-22
上传用户：VESON
MathType是强大的数学公式编辑器，与常见的文字处理软件和演示程序配合使用，能够在各种文档中加入复杂的数学公式和符号，可用在编辑数学试卷、书籍、报刊、论文、幻灯演示等方面，是编辑数学资料的得力工具。MathType与常见文字处理工具紧密结合，支持 OLE（对象的链接与嵌入），可以在任何支持OLE的文字处理系统中调用（从主菜单中选择插入->对象在新对象中选择MathType），帮助用户快速建立专业化的数学技术文档，对Word或WPS等文字处理系统的支持相当好。
标签： mathtype6.9
上传时间： 2015-06-02
上传用户：dumpsoft
业余无线电通讯
标签： 换个风格
上传时间： 2015-06-03
上传用户：zjuee
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
大家可以来看看，，挺好的东西，陶冶情操都是不错的
标签： 心灵
上传时间： 2015-06-09
上传用户：andyly
