WEBGAME 機器人大戰EBS(無盡的戰爭) 架設方法 WIN2K系列主機 ，最簡單的方法就是 設置一個虛擬目錄 其它就稍微改改 config.cgi的設置，還有餓ebs_sub 1 2 3.cgi的圖片地址就基本好了 WIN2K沒有虛擬目錄的話就除了要做上面的那些以外 還要打開所有文件，搜索類似這樣的 require config.cgi 都改成絕對路徑就行了 UNIX LINUX FREEBSD 系列的話,就要設置屬性了 ebs目錄所有CGI文件設置成 755 所有DAT文件設置成 777 logmiulerebeb 目錄也就是數據目錄，這個要設置成 777 裏面所有文件也是 777 當然，你可以修改這個目錄，最好修改成其他目錄，然後把config.cgi的數據庫目錄改改就可以了, 然後就是改 config.cgi的一些設置，還要改 ebs_sub 1 2 3.cgi的圖片地址了,最後就是，UNIX LINUX系列的大小寫都分的很清楚，這個版本我懶得整理，所以有的是答謝，有的是小寫，自己改改吧.
上傳時間： 2014-01-10
上傳用戶：tuilp1a
SQL基礎 使用SQL從表中取記錄 使用ISQL執行SELECT查詢 操作多個表 排序查詢結果 取出互不相同的記錄 創建新表 使用SQL事務管理器 創建索引 SQL核心語句 集合函數 其它常用的SQL表達式，函數，和過程
上傳時間： 2013-12-31
上傳用戶：kytqcool
改進遺傳算法－郭濤算法做最優化問題很管用,算法的基本思想是 先任意產生n個隨機數，然后從n個數里隨機選擇m個數，再有這m個 數合成一個新數，將這個新數同n個數中間適應值函數值的最差的比較， 如果好的話就取代最差的那個，如果它比最好的還要好的話，則把最好的 也取代。如果比最差的壞，則重新合成一個新數。依次循環下去。 程序的奇妙之處是GA_crossover()函數，產生的新數確實比較好，看看 那位大俠能改進一下，產生比這跟好的數。
上傳時間： 2015-04-10
上傳用戶：thuyenvinh
ADC的源程式，把51的正負極接至ADC，再將ADC.asm檔compile後，ACD便會產生將類比轉成數位訊號的效果
上傳時間： 2013-12-31
上傳用戶：569342831
模擬退火算法來源于固體退火原理，將固體加溫至充分高，再讓其徐徐冷卻，加溫時，固體內部粒子隨溫升變為無序狀，內能增大，而徐徐冷卻時粒子漸趨有序，在每個溫度都達到平衡態，最后在常溫時達到基態，內能減為最小。根據Metropolis準則，粒子在溫度T時趨于平衡的概率為e-ΔE/(kT)，其中E為溫度T時的內能，ΔE為其改變量，k為Boltzmann常數。用固體退火模擬組合優化問題，將內能E模擬為目標函數值f，溫度T演化成控制參數t，即得到解組合優化問題的模擬退火算法：由初始解i和控制參數初值t開始，對當前解重復“產生新解→計算目標函數差→接受或舍棄”的迭代，并逐步衰減t值，算法終止時的當前解即為所得近似最優解，這是基于蒙特卡羅迭代求解法的一種啟發式隨機搜索過程。退火過程由冷卻進度表(Cooling Schedule)控制，包括控制參數的初值t及其衰減因子Δt、每個t值時的迭代次數L和停止條件S。
標簽： 模擬退火算法
上傳時間： 2015-04-24
上傳用戶：R50974
模擬退火算法來源于固體退火原理，將固體加溫至充分高，再讓其徐徐冷卻，加溫時，固體內部粒子隨溫升變為無序狀，內能增大，而徐徐冷卻時粒子漸趨有序，在每個溫度都達到平衡態，最后在常溫時達到基態，內能減為最小。根據Metropolis準則，粒子在溫度T時趨于平衡的概率為e-ΔE/(kT)，其中E為溫度T時的內能，ΔE為其改變量，k為Boltzmann常數。用固體退火模擬組合優化問題，將內能E模擬為目標函數值f，溫度T演化成控制參數t，即得到解組合優化問題的模擬退火算法：由初始解i和控制參數初值t開始，對當前解重復“產生新解→計算目標函數差→接受或舍棄”的迭代，并逐步衰減t值，算法終止時的當前解即為所得近似最優解，這是基于蒙特卡羅迭代求解法的一種啟發式隨機搜索過程。退火過程由冷卻進度表(Cooling Schedule)控制，包括控制參數的初值t及其衰減因子Δt、每個t值時的迭代次數L和停止條件S。
標簽： 模擬退火算法
上傳時間： 2015-04-24
上傳用戶：ryb
模擬退火算法來源于固體退火原理，將固體加溫至充分高，再讓其徐徐冷卻，加溫時，固體內部粒子隨溫升變為無序狀，內能增大，而徐徐冷卻時粒子漸趨有序，在每個溫度都達到平衡態，最后在常溫時達到基態，內能減為最小。根據Metropolis準則，粒子在溫度T時趨于平衡的概率為e-ΔE/(kT)，其中E為溫度T時的內能，ΔE為其改變量，k為Boltzmann常數。用固體退火模擬組合優化問題，將內能E模擬為目標函數值f，溫度T演化成控制參數t，即得到解組合優化問題的模擬退火算法：由初始解i和控制參數初值t開始，對當前解重復“產生新解→計算目標函數差→接受或舍棄”的迭代，并逐步衰減t值，算法終止時的當前解即為所得近似最優解，這是基于蒙特卡羅迭代求解法的一種啟發式隨機搜索過程。退火過程由冷卻進度表(Cooling Schedule)控制，包括控制參數的初值t及其衰減因子Δt、每個t值時的迭代次數L和停止條件S。
標簽： 模擬退火算法
上傳時間： 2014-12-19
上傳用戶：TRIFCT
7種插值算法的c++代碼實現，1 拉格朗日插值(POLINT) 2 有理函數插值(RATINT) 3 三次樣條插值(SPLINE(二階導數值)->SPLINT(函數值)) 4 有序表的檢索法(LOCATE(二分法), HUNT(關聯法)) 5 插值多項式(POLCOE(n2), POLCOF(n3)) 6 二元拉格朗日插值(POLIN2) 7 雙三次樣條插值(SPLIE2)
上傳時間： 2015-05-09
上傳用戶：yph853211
5種函數逼近的c++代碼， 1 級數求和(EULSUM) 2 多項式和有理函數(DDPOLY(函數值), POLDIV(兩個多項式的商及余)) 3 切比雪夫逼近(CHEBFT->CHEBEV) 4 積分和導數的切比雪夫逼近(CHINT(不定積分), CHDER(導函數)) 5 用切比雪夫逼近求函數的多項式逼近(CHEBPC, PCSHFT)
上傳時間： 2013-12-15
上傳用戶：水口鴻勝電器
提供一個人工免疫算法源程序，其算法過程包括： 1.設置各參數 2.隨機產生初始群體——pop=initpop(popsize,chromlength) 3.故障類型編碼，每一行為一種！code(1,:)，正常；code(2,:)，50％；code(3,:)，150％。實際故障測得數據編碼，這里Unnoralcode,188％ 4.開始迭代（M次）： 1）計算目標函數值：歐氏距離[objvalue]=calobjvalue(pop,i) 2）計算群體中每個個體的適應度fitvalue=calfitvalue(objvalue) 3）選擇newpop=selection(pop,fitvalue) objvalue=calobjvalue(newpop,i) ％ 交叉newpop=crossover(newpop,pc,k) objvalue=calobjvalue(newpop,i) ％ 變異newpop=mutation(newpop,pm) objvalue=calobjvalue(newpop,i) ％ 5.求出群體中適應值最大的個體及其適應值 6.迭代停止判斷。
上傳時間： 2014-01-01
上傳用戶：trepb001
