<center id="iqoee"></center> 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
為DELL的layer 2 Switch的Web server中java applet的源始碼，功能為利用java applet主動傳送訊息到browser，借著此訊息轉換成網頁，再顯現在browser。
標簽： Switch applet server layer
上傳時間： 2014-01-19
上傳用戶：cc1
CSS教學手冊(有四本電子書) !!! 大家好，因為小弟的工作是軟體工程師 所以收集了一些書籍 現在登供給各位同好們，希望對大家有幫助 能翻繁體的我盡量翻了 至於太大了有限制我就無法上傳了 不過有些是非常有用的^"^
上傳時間： 2014-01-11
上傳用戶：希醬大魔王
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
在一個多人連線伺服器中，我們要有一個伺服端執行緒負責傾聽是否有客戶端連線，如果有客戶端連線，就指派一個客戶端執行緒專門應付這個客戶端連線，並在客戶端佇列中記錄它，然後進入下一個傾聽。 一個客戶端執行緒的工作，就是讀取客戶連線端的使用者輸入訊息，它不負責回應訊息，而是將讀到的訊息加入訊息佇列中，此外在我們的範例中，客戶端執行緒也負責自己的連線狀態，如果使用者中斷連線，客戶端執行緒會負責將自己從客戶端佇列中清除。 廣播執行緒負責取出訊息佇列中的訊息，然後將之一一傳送訊息給客戶端佇列中尚存在的客戶端執行緒。
標簽： 伺服器
上傳時間： 2015-05-22
上傳用戶：wweqas
