① 設(shè)計(jì)和實(shí)現(xiàn)基于哈夫曼算法的編碼和譯碼功能，系統(tǒng)功能包括：產(chǎn)生哈夫曼編碼，輸入電文進(jìn)行編碼生成碼文，將碼文譯成電文，對(duì)輸入電文和譯文作對(duì)比等。
上傳時(shí)間： 2017-09-16
上傳用戶：源弋弋
實(shí)現(xiàn)了求最短路徑的Dijkstra算法，方便操作，可以自已在程序界面上指定每一個(gè)點(diǎn)的位置，在界面上空白的地方每點(diǎn)擊一下生成一個(gè)點(diǎn)
上傳時(shí)間： 2013-12-31
上傳用戶：源弋弋
遺傳算法為群體優(yōu)化算法，也就是從多個(gè)初始解開始進(jìn)行優(yōu)化，每個(gè)解稱為一個(gè)染色體，各染色體之間通過競(jìng)爭(zhēng)、合作、單獨(dú)變異，不斷進(jìn)化。 優(yōu)化時(shí)先要將實(shí)際問題轉(zhuǎn)換到遺傳空間，就是把實(shí)際問題的解用染色體表示，稱為編碼，反過程為解碼，因?yàn)閮?yōu)化后要進(jìn)行評(píng)價(jià)，所以要返回問題空間，故要進(jìn)行解碼。SGA采用二進(jìn)制編碼，染色體就是二進(jìn)制位串，每一位可稱為一個(gè)基因；解碼時(shí)應(yīng)注意將染色體解碼到問題可行域內(nèi)。 遺傳算法模擬“適者生存，優(yōu)勝劣汰”的進(jìn)化機(jī)制，染色體適應(yīng)生存環(huán)境的能力用適應(yīng)度函數(shù)衡量。對(duì)于優(yōu)化問題，適應(yīng)度函數(shù)由目標(biāo)函數(shù)變換而來。一般遺傳算法求解最大值問題，如果是最小值問題，則通過取倒數(shù)或者加負(fù)號(hào)處理。SGA要求適應(yīng)度函數(shù)>0，對(duì)于<0的問題，要通過加一個(gè)足夠大的正數(shù)來解決。這樣，適應(yīng)度函數(shù)值大的染色體生存能力強(qiáng)。 遺傳算法有三個(gè)進(jìn)化算子：選擇（復(fù)制）、交叉和變異。 SGA中，選擇采用輪盤賭方法，也就是將染色體分布在一個(gè)圓盤上，每個(gè)染色體占據(jù)一定的扇形區(qū)域，扇形區(qū)域的面積大小和染色體的適應(yīng)度大小成正比。如果輪盤中心裝一個(gè)可以轉(zhuǎn)動(dòng)的指針的話，旋轉(zhuǎn)指針，指針停下來時(shí)會(huì)指向某一個(gè)區(qū)域，則該區(qū)域?qū)?yīng)的染色體被選中。顯然適應(yīng)度高的染色體由于所占的扇形區(qū)域大，因此被選中的幾率高，可能被選中多次，而適應(yīng)度低的可能一次也選不中，從而被淘汰。算法實(shí)現(xiàn)時(shí)采用隨機(jī)數(shù)方法，先將每個(gè)染色體的適應(yīng)度除以所有染色體適應(yīng)度的和，再累加，使他們根據(jù)適應(yīng)度的大小分布于0-1之間，適應(yīng)度大的占的區(qū)域大，然后隨機(jī)生成一個(gè)0-1之間的隨機(jī)數(shù)，隨機(jī)數(shù)落到哪個(gè)區(qū)域，對(duì)應(yīng)的染色體就被選中。重復(fù)操作，選出群體規(guī)模規(guī)定數(shù)目的染色體。這個(gè)操作就是“優(yōu)勝劣汰，適者生存”，但沒有產(chǎn)生新個(gè)體。 交叉模擬有性繁殖，由兩個(gè)染色體共同作用產(chǎn)生后代，SGA采用單點(diǎn)交叉。由于SGA為二進(jìn)制編碼，所以染色體為二進(jìn)制位串，隨機(jī)生成一個(gè)小于位串長度的隨機(jī)整數(shù)，交換兩個(gè)染色體該點(diǎn)后的那部分位串。參與交叉的染色體是輪盤賭選出來的個(gè)體，并且還要根據(jù)選擇概率來確定是否進(jìn)行交叉（生成0-1之間隨機(jī)數(shù)，看隨機(jī)數(shù)是否小于規(guī)定的交叉概率），否則直接進(jìn)入變異操作。這個(gè)操作是產(chǎn)生新個(gè)體的主要方法，不過基因都來自父輩個(gè)體。 變異采用位點(diǎn)變異，對(duì)于二進(jìn)制位串，0變?yōu)?，1變?yōu)?就是變異。采用概率確定變異位，對(duì)每一位生成一個(gè)0-1之間的隨機(jī)數(shù)，看是否小于規(guī)定的變異概率，小于的變異，否則保持原狀。這個(gè)操作能夠使個(gè)體不同于父輩而具有自己獨(dú)立的特征基因，主要用于跳出局部極值。 遺傳算法認(rèn)為生物由低級(jí)到高級(jí)進(jìn)化，后代比前一代強(qiáng)，但實(shí)際操作中可能有退化現(xiàn)象，所以采用最佳個(gè)體保留法，也就是曾經(jīng)出現(xiàn)的最好個(gè)體，一定要保證生存下來，使后代至少不差于前一代。大致有兩種類型，一種是把出現(xiàn)的最優(yōu)個(gè)體單獨(dú)保存，最后輸出，不影響原來的進(jìn)化過程；一種是將最優(yōu)個(gè)體保存入子群，也進(jìn)行選擇、交叉、變異，這樣能充分利用模式，但也可能導(dǎo)致過早收斂。 由于是基本遺傳算法，所以優(yōu)化能力一般，解決簡(jiǎn)單問題尚可，高維、復(fù)雜問題就需要進(jìn)行改進(jìn)了。 下面為代碼。函數(shù)最大值為3905.9262，此時(shí)兩個(gè)參數(shù)均為-2.0480，有時(shí)會(huì)出現(xiàn)局部極值，此時(shí)一個(gè)參數(shù)為-2.0480，一個(gè)為2.0480。算法中變異概率pm=0.05，交叉概率pc=0.8。如果不采用最優(yōu)模式保留，結(jié)果會(huì)更豐富些，也就是算法最后不一定收斂于極值點(diǎn)，當(dāng)然局部收斂現(xiàn)象也會(huì)有所減少，但最終尋得的解不一定是本次執(zhí)行中曾找到過的最好解。
標(biāo)簽： 遺傳算法
上傳時(shí)間： 2015-06-04
上傳用戶：芃溱溱123
通過立體匹配生成視差圖 采用GC算法 算法時(shí)間比較慢 但效果很好
上傳時(shí)間： 2016-05-08
上傳用戶：huangxk619
% 生成訓(xùn)練樣本集 clear all; clc; P=[110 0.807 240 0.2 15 1 18 2 1.5; 110 2.865 240 0.1 15 2 12 1 2; 110 2.59 240 0.1 12 4 24 1 1.5; 220 0.6 240 0.3 12 3 18 2 1; 220 3 240 0.3 25 3 21 1 1.5; 110 1.562 240 0.3 15 3 18 1 1.5; 110 0.547 240 0.3 15 1 9 2 1.5]; 0 1.318 300 0.1 15 2 18 1 2]; T=[54248 162787 168380 314797; 28614 63958 69637 82898; 86002 402710 644415 328084; 230802 445102 362823 335913; 60257 127892 76753 73541; 34615 93532 80762 110049; 56783 172907 164548 144040]; @907 117437 120368 130179]; m=max(max(P)); n=max(max(T)); P=P'/m; T=T'/n; %-------------------------------------------------------------------------% pr(1:9,1)=0; %輸入矢量的取值范圍矩陣 pr(1:9,2)=1; bpnet=newff(pr,[12 4],{'logsig', 'logsig'}, 'traingdx', 'learngdm'); %建立BP神經(jīng)網(wǎng)絡(luò)， 12個(gè)隱層神經(jīng)元，4個(gè)輸出神經(jīng)元 %tranferFcn屬性 'logsig' 隱層采用Sigmoid傳輸函數(shù) %tranferFcn屬性 'logsig' 輸出層采用Sigmoid傳輸函數(shù) %trainFcn屬性 'traingdx' 自適應(yīng)調(diào)整學(xué)習(xí)速率附加動(dòng)量因子梯度下降反向傳播算法訓(xùn)練函數(shù) %learn屬性 'learngdm' 附加動(dòng)量因子的梯度下降學(xué)習(xí)函數(shù) net.trainParam.epochs=1000;%允許最大訓(xùn)練步數(shù)2000步 net.trainParam.goal=0.001; %訓(xùn)練目標(biāo)最小誤差0.001 net.trainParam.show=10; %每間隔100步顯示一次訓(xùn)練結(jié)果 net.trainParam.lr=0.05; %學(xué)習(xí)速率0.05 bpnet=train(bpnet,P,T); %------------------------------------------------------------------------- p=[110 1.318 300 0.1 15 2 18 1 2]; p=p'/m; r=sim(bpnet,p); R=r'*n; display(R);
上傳時(shí)間： 2016-05-28
上傳用戶：shanqiu
機(jī)器學(xué)習(xí)ID3算法的簡(jiǎn)單實(shí)現(xiàn)， ID3算法是一種貪心算法，用來構(gòu)造決策樹。ID3算法起源于概念學(xué)習(xí)系統(tǒng)（CLS），以信息熵的下降速度為選取測(cè)試屬性的標(biāo)準(zhǔn)，即在每個(gè)節(jié)點(diǎn)選取還尚未被用來劃分的具有最高信息增益的屬性作為劃分標(biāo)準(zhǔn)，然后繼續(xù)這個(gè)過程，直到生成的決策樹能完美分類訓(xùn)練樣例。
標(biāo)簽： ID3 機(jī)器學(xué)習(xí) 算法
上傳時(shí)間： 2017-05-11
上傳用戶：zheng417
（1）隨機(jī)生成一組待排序數(shù)據(jù)，個(gè)數(shù)不少于100個(gè)； （2）比較各種排序算法對(duì)同一組數(shù)據(jù)排序所需要的關(guān)鍵字比較次數(shù)和關(guān)鍵字移動(dòng)次數(shù)，至少使用5組數(shù)據(jù)進(jìn)行比較； （3）對(duì)比較結(jié)果進(jìn)行簡(jiǎn)單分析。
上傳時(shí)間： 2018-01-09
上傳用戶：poseiding
這是用python實(shí)現(xiàn)的簡(jiǎn)單MLP算法，其中數(shù)據(jù)是隨機(jī)生成的
上傳時(shí)間： 2018-05-03
上傳用戶：852712
matlab數(shù)學(xué)建模算法全收錄 超清書簽版
標(biāo)簽： matlab 數(shù)學(xué)建模 收錄 算法
上傳時(shí)間： 2013-05-15
上傳用戶：eeworm
視頻圖像格式轉(zhuǎn)換芯片的算法研究
標(biāo)簽： 視頻圖像 格式轉(zhuǎn)換 芯片 算法研究
上傳時(shí)間： 2013-05-25
上傳用戶：eeworm
蟲蟲下載站版權(quán)所有 京ICP備2021023401號(hào)-1
