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
這是一個用SIMPLE法模擬的矩形流場的程序，程序結果可在TECPLOT軟件中演示。迭代解法用的是線迭代。程序結果在RESUL文件夾中。
上傳時間： 2014-11-23
上傳用戶：1966640071
目前已有若干版本的子程序庫公開發表，它們各有特色。本程序庫中的開平方算法為快速逼近算法，它能達到牛頓迭代法同樣的精度，而速度加快二十倍左右，超過雙字節定點除法的速度.
上傳時間： 2015-04-30
上傳用戶：nanfeicui
BP神經網絡源代碼，代碼詳細設計了網絡節點、迭代過程、及調用接口，在VC6.0下調用測試通過
上傳時間： 2014-01-03
上傳用戶：集美慧
RS 碼的編譯碼程序，對編碼分析有一定的幫助，采用迭代譯碼算法.
上傳時間： 2013-12-21
上傳用戶：zhyiroy
中南大學C語言程序設計實習 1 實驗一：C語言圖形模式的設置 2 實習二：一元函數的圖形繪制 3 實習三：二維圖形的幾何變換 4 實習四：非線性方程求根的二分法 5 實習五：非線性方程求根的牛頓法 6 實習六：數值積分的矩形法和梯形法 7 實習八：級數求和問題 8 實習九：曲線擬合 9 實習十一：解線性方程組的Gauss消元法 10 實習十四：解線性方程組的Jacobi迭代法 11 實習十六：空間曲面和曲線的繪制 12 實習十七：Hanoi塔問題 13 實習十八：綜合問題
上傳時間： 2013-12-16
上傳用戶：daguda
《SESyetem節能模擬系統(版本:1.01a Final)》為自由軟件,對熱風爐進行 熱平衡計算、傳熱模擬、燃燒優化、操作優化等設計。 本軟件用Dephi6.0編寫，可以通過菜單或命令的方式進行操作。由于模擬、 優化等部分涉及到多次迭代計算，故對硬件要求較高，配置要求：主機在686以 上，操作系統為Windows 2000以上。 由于水平和時間、精力等因素，軟件肯定有不少的Bug，希望能得到高手的 指點。
上傳時間： 2013-12-30
上傳用戶：yph853211
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C語言環境下使用的粒子群優化算法，需要給出最大速度、迭代次數、作為中斷條件的最小誤差等初始條件。
上傳時間： 2014-12-04
上傳用戶：wmwai1314
