欧美精品大片,日本一区二区三区国色天香,99久久精品费精品国产

目標(biāo)函數(shù)

模擬退火程序

模擬退火程序，可以進(jìn)行各種目標(biāo)函數(shù)下的地球物理非線性反演。

標(biāo)簽： 模擬退火程序

上傳時(shí)間： 2013-12-04

上傳用戶：zhouli
人工智能中的遺傳算法編程

人工智能中的遺傳算法編程，采用遺傳算法求得目標(biāo)函數(shù)的最大值

標(biāo)簽： 人工智能算法編程

上傳時(shí)間： 2017-09-11

上傳用戶：fxf126@126.com
遺傳算法的MATLAB代碼

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(zhǎng)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
共軛梯度法--MATLAB程序

共軛梯度法為求解線性方程組而提出。后來，人們把這種方法用于求解無約束最優(yōu)化問題，使之成為一種重要的最優(yōu)化方法。共軛梯度法的基本思想是把共軛性與最速下降方法相結(jié)合，利用已知點(diǎn)處的梯度構(gòu)造一組共軛方向，并沿這組方向進(jìn)行搜索，求出目標(biāo)函數(shù)的極小點(diǎn)。根據(jù)共軛方向的基本性質(zhì)，這種方法具有二次終止性。在各種優(yōu)化算法中，共軛梯度法是非常重要的一種。其優(yōu)點(diǎn)是所需存儲(chǔ)量小，具有步收斂性，穩(wěn)定性高，而且不需要任何外來參數(shù)。共軛方向無約束最優(yōu)化方法的核心問題是選擇搜索方向 . 在本次實(shí)驗(yàn)中 , 我們運(yùn)用基于共軛方向的一種算法 — 共軛梯度法三．算法流程圖：四．實(shí)驗(yàn)結(jié)果： (1). 實(shí)驗(yàn)函數(shù) f=(3*x1-cos(x2*x3)-1/2)^2+(x1^2-81*(x2+0.1)+sin(x3)+1.06)^2+(exp(-x1*x2)+20*x3+ 1/3*(10*3.14159-3))^2; 給定初始點(diǎn) (0,0,0) ， k=1 ，最大迭代次數(shù) n ? ? d 確定搜索方向進(jìn) 退法確定搜索區(qū) 間分割法確定最優(yōu)步長(zhǎng)

標(biāo)簽： MATLAB 梯度程序

上傳時(shí)間： 2016-05-08

上傳用戶：saren11
基于matlab編寫的共軛梯度法

共軛梯度法是無約束優(yōu)化問題的典型算法，通過構(gòu)造一系列相互共軛的方向向量，尋找目標(biāo)函數(shù)的最優(yōu)解

標(biāo)簽： matlab 編寫梯度

上傳時(shí)間： 2017-02-14

上傳用戶：chenrong1236
BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)具有任意復(fù)雜的模式分類能力和優(yōu)良的多維函數(shù)映射能力，解決了簡(jiǎn)單感知器不能解決的異或(Exclusive OR，XOR)和一些其他問題。從結(jié)構(gòu)上講，BP網(wǎng)絡(luò)具有輸入層、隱藏層和輸出層；從本質(zhì)上講，BP算法就是以網(wǎng)絡(luò)誤差平方為目標(biāo)函數(shù)、采用梯度下降法來計(jì)算目標(biāo)函數(shù)的最小值。

標(biāo)簽： BP神經(jīng)網(wǎng)絡(luò)

上傳時(shí)間： 2019-04-01

上傳用戶：dmwx
粒子群算法求極值MATLAB

這是一個(gè)粒子群算法求極值的算法，帶入目標(biāo)函數(shù)，求極值

標(biāo)簽： MATLAB 粒子群算法

上傳時(shí)間： 2019-04-08

上傳用戶：z429032683
機(jī)器學(xué)習(xí)：人工神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)提供了一種普遍且實(shí)用的方法從樣例中學(xué)習(xí)值為實(shí)數(shù)、離散值或向量的函數(shù)反向傳播算法，使用梯度下降來調(diào)節(jié)網(wǎng)絡(luò)參數(shù)以最佳擬合由輸入-輸出對(duì)組成的訓(xùn)練集合人工神經(jīng)網(wǎng)絡(luò)對(duì)于訓(xùn)練數(shù)據(jù)中的錯(cuò)誤健壯性很好人工神經(jīng)網(wǎng)絡(luò)已被成功應(yīng)用到很多領(lǐng)域，例如視覺場(chǎng)景分析，語音識(shí)別，機(jī)器人控制神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)對(duì)于逼近實(shí)數(shù)值、離散值或向量值的目標(biāo)函數(shù)提供了一種健壯性很強(qiáng)的方法對(duì)于某些類型的問題，如學(xué)習(xí)解釋復(fù)雜的現(xiàn)實(shí)世界中的傳感器數(shù)據(jù)，人工神經(jīng)網(wǎng)絡(luò)是目前知道的最有效的學(xué)習(xí)方法反向傳搖成功例子，學(xué)習(xí)識(shí)別手寫字符，學(xué)習(xí)識(shí)別口語，學(xué)習(xí)識(shí)別人臉生物學(xué)動(dòng)機(jī)ANN受到生物學(xué)的啟發(fā)，生物的學(xué)習(xí)系統(tǒng)是由相互連接的神經(jīng)元組成的異常復(fù)雜的網(wǎng)絡(luò)。ANN由一系列簡(jiǎn)單的單元相互密集連接構(gòu)成的，其中每一個(gè)單元有一定數(shù)量的實(shí)值輸入，并產(chǎn)生單一的實(shí)數(shù)值輸出人腦的構(gòu)成，大約有1011個(gè)神經(jīng)元，平均每一個(gè)與其他104個(gè)相連神經(jīng)元的活性通常被通向其他神經(jīng)元的連接激活或抑制最快的神經(jīng)元轉(zhuǎn)換時(shí)間比計(jì)算機(jī)慢很多，然而人腦能夠以驚人的速度做出復(fù)雜度驚人的決策很多人推測(cè)，生物神經(jīng)系統(tǒng)的信息處理能力一定得益于對(duì)分布在大量神經(jīng)元上的信息表示的高度并行處理

標(biāo)簽： 機(jī)器學(xué)習(xí) 神經(jīng)網(wǎng)絡(luò)

上傳時(shí)間： 2022-04-08

上傳用戶：trh505
面向5G移動(dòng)網(wǎng)絡(luò)綠色通信關(guān)鍵技術(shù)研究

本文跟蹤了國內(nèi)國際上各研究組織關(guān)于5G需求與關(guān)鍵技術(shù)最新研究進(jìn)展。高能效將是5G從設(shè)計(jì)之初就不得不考慮的幾個(gè)重要問題之。研究如何在不損失或者微損失網(wǎng)絡(luò)性能的前提下，極大地降低系統(tǒng)的能量消耗是一項(xiàng)很有研究?jī)r(jià)值的工作。本文通過分析現(xiàn)有無線網(wǎng)絡(luò)基站能量消耗的各個(gè)組成部分，參考目前5G研究趨勢(shì)，選擇網(wǎng)絡(luò)能效模型與基站能耗模型，用于后續(xù)網(wǎng)絡(luò)能效評(píng)估。小站密集化部署技術(shù)（Small Cell）是目前業(yè)內(nèi)普遍認(rèn)同的實(shí)現(xiàn)未來5G系統(tǒng)各項(xiàng)性能指標(biāo)與效率指標(biāo)的有效策略之一。隨著小站的密集化部署，網(wǎng)絡(luò)整體能效成為衡量異構(gòu)無線通信系統(tǒng)長(zhǎng)期經(jīng)濟(jì)效益的一項(xiàng)重要指標(biāo)。網(wǎng)絡(luò)運(yùn)營前，需要以高能效為目標(biāo)進(jìn)行Small Cell密集化網(wǎng)絡(luò)部署。本文利用上述的能效模型，建立并推導(dǎo)出了Small Cell最佳部客位置與數(shù)量的高能效網(wǎng)絡(luò)部署方案目標(biāo)函數(shù)，進(jìn)一步通過數(shù)值仿真方法獲得了具體網(wǎng)絡(luò)場(chǎng)景下的高能效Small Cell 絡(luò)部署位置與數(shù)量，最后通過對(duì)大量的仿真結(jié)果進(jìn)行分析，得出了高能效Small Cell集化署方案的一般性規(guī)律。研究成果對(duì)未來5G系統(tǒng)中SmallCell的部署具有重要參考意義在網(wǎng)絡(luò)運(yùn)營中，由于網(wǎng)絡(luò)負(fù)載存在天然的不均衡性與動(dòng)態(tài)被動(dòng)性，需要在Small Cell密集化部署的未來移動(dòng)通信系統(tǒng)中進(jìn)行高能效網(wǎng)絡(luò)拓?fù)淇刂疲员阍诰W(wǎng)絡(luò)運(yùn)營中維持實(shí)時(shí)的網(wǎng)絡(luò)能效最優(yōu)化的網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)。本論文分析了目前業(yè)界關(guān)于Small Cell 休眠/喚醒性能增益的最新研究成果，并針對(duì)其現(xiàn)有休眠喚醒方案中以單小區(qū)固定負(fù)載為門限的休眠順醒機(jī)制的不足，提出了一種高能效Small Cell聯(lián)合休眼喚醒控制機(jī)制，實(shí)現(xiàn)了對(duì)網(wǎng)絡(luò)拓?fù)涞母吣苄?dòng)態(tài)控制。Small Cell密集化部署使網(wǎng)絡(luò)編碼在未來無線網(wǎng)絡(luò)環(huán)境中得到了新的應(yīng)用契機(jī)，本文最后結(jié)合幾種未來5G新場(chǎng)景對(duì)網(wǎng)絡(luò)編碼應(yīng)用方案進(jìn)行了初步探討。初步仿真結(jié)果表明，網(wǎng)絡(luò)編碼方案可有效提升能效。

標(biāo)簽： 5g 移動(dòng)網(wǎng)絡(luò)

上傳時(shí)間： 2022-06-20

上傳用戶：canderile
脈沖多普勒雷達(dá)信號(hào)處理MATLAB仿真研究

脈沖多普勒（PD）雷達(dá)，它利用了多普勒效應(yīng)原理，既具備脈沖雷達(dá)的測(cè)距性能，又具備多普勒雷達(dá)的測(cè)速性能，同時(shí)對(duì)雜波的抑制能力也比較突出，是一種重要的全相參體制的雷達(dá)。雷達(dá)信號(hào)處理是雷達(dá)技術(shù)發(fā)展的核心內(nèi)容，它主要包含了以下幾個(gè)方面的技術(shù)內(nèi)容，如信號(hào)選擇、正交采樣技術(shù)、脈沖壓縮技術(shù)、動(dòng)目標(biāo)檢測(cè)技術(shù)和恒虛警檢測(cè)技術(shù)等。雷達(dá)信號(hào)處理的仿真研究具有靈活、方便、快速、經(jīng)濟(jì)等特點(diǎn)，對(duì)于雷達(dá)技術(shù)的研究發(fā)展具有重要意義。論文首先分析了脈沖多普勒雷達(dá)的距離和速度的檢測(cè)原理，對(duì)PD雷達(dá)的模糊函數(shù)的含義和性質(zhì)進(jìn)行了研究，分析了幾種不同信號(hào)所對(duì)應(yīng)的模糊函數(shù)并分別進(jìn)行了仿真。以此為據(jù)，選擇能夠獲得較高分辨率的波形設(shè)計(jì)方法。其次，根據(jù)雷達(dá)的檢測(cè)性能、分辨率以及測(cè)量精度等性能要求，以線性調(diào)頻（LFM）信號(hào)為主進(jìn)行了研究，主要分析了線性調(diào)頻信號(hào)的特性。模擬目標(biāo)回波信號(hào)，將其加入噪聲和雜波形成混合信號(hào)并對(duì)其進(jìn)行脈沖壓縮、動(dòng)目標(biāo)檢測(cè)以及恒虛警處理。其中，脈沖壓縮部分，論文選擇采用相關(guān)處理器法實(shí)現(xiàn)。動(dòng)目標(biāo)檢測(cè)部分，論文選擇采用脈沖對(duì)消器級(jí)聯(lián)多普勒濾波器組來實(shí)現(xiàn)。恒虛警處理部分，論文選擇采用單元平均恒虛警檢測(cè)來實(shí)現(xiàn)。最后，論文給出了雷達(dá)信號(hào)處理系統(tǒng)框圖，建立目標(biāo)函數(shù)，對(duì)其進(jìn)行相關(guān)處理并進(jìn)行仿真。對(duì)仿真結(jié)果進(jìn)行分析，驗(yàn)證通過以上方法進(jìn)行處理，能夠有效獲取目標(biāo)的距離和速度信息，滿足精度要求。

標(biāo)簽： 雷達(dá)信號(hào)處理 MATLAB

上傳時(shí)間： 2022-07-08

上傳用戶：zhaiyawei