回溯法，動態規劃法，遺傳算法求解 tsp問題（課程設計報告）
標簽： 回溯法
上傳時間： 2013-12-09
上傳用戶：yulg
算法框架： a.. 問題的解空間：應用回溯法解問題時，首先應明確定義問題的解空間。問題的解空間應到少包含問題的一個（最優）解。 b. 回溯法的基本思想：確定了解空間的組織結構后，回溯法就從開始結點（根結點）出發，以深度優先的方式搜索整個解空間。這個開始結點就成為一個活結點，同時也成為當前的擴展結點。在當前的擴展結點處，搜索向縱深方向移至一個新結點。這個新結點就成為一個新的活結點，并成為當前擴展結點。如果在當前的擴展結點處不能再向縱深方向移動，則當前擴展結點就成為死結點。換句話說，這個結點不再是一個活結點。此時，應往回移動（回溯）至最近的一個活結點處，并使這個活結點成為當前的擴展結點。回溯法即以這種工作方式遞歸地在解空間中搜索，直至找到所要求的解或解空間中已沒有活結點時為止。 (3). 運用回溯法解題通常包含以下三個步驟： a. 針對所給問題，定義問題的解空間； b. 確定易于搜索的解空間結構； c. 以深度優先的方式搜索解空間，并且在搜索過程中用剪枝函數避免無效搜索；
上傳時間： 2017-09-21
上傳用戶：sdq_123
實驗目的 通過上機實習,加深對語法制導翻譯原理的理解,掌握將語法分析所識別的語法成分變換為中間代碼的語義翻譯方法. 實驗要求 采用遞歸下降語法制導翻譯法,對算術表達式、賦值語句進行語義分析并生成四元式序列。 實驗的輸入和輸出 輸入是語法分析提供的正確的單詞串，輸出為三地址指令形式的四元式序列。 例如：對于語句串 begin a:=2+3*4 x:=(a+b)/c end# 輸出的三地址指令如下： （1） t1=3*4 （2） t2=2+t1 （3） a=t2 （4） t3=a+b （5） t4=t3/c （6） x=t4
上傳時間： 2017-09-27
上傳用戶：hjshhyy
設計題三：條件語句的語法分析及語義分析程序設計。 1．目的 通過設計、編制、調試一個語法及語義分析程序，加深對語法及語義分析原理的理解。 2．設計內容及要求 IF 〈布爾表達式〉 THEN 〈賦值語句〉 ELSE 〈賦值語句〉 其中 （1）可以選擇遞歸下降法、LL（1）、算符優先分析法、LR法完成以上任務，中間代碼選用四元式。 （2）如1題寫出符合分析方法要求的文法，給出分析方法的思想，完成分析程序設計。 （3）編制好分析程序后，設計若干用例，上機測試并通過所設計的分析程序。
上傳時間： 2013-12-24
上傳用戶：頂得柱
用MATLAB求解無約束的問題，主要有最速下降法，牛頓法，共軛梯度法，變尺度法（DFP和BFGS法），非線性最小二乘法。 用MATLAB求解有約束的問題，主要是外懲罰函數和廣義乘子法。 以及一些對具體問題的分析，MATLAB的代碼在文檔里都有。
標簽： MATLAB
上傳時間： 2017-09-28
上傳用戶：youth25
三維數據場可視化,很好的資料。介紹了一些直接體繪制技術，包括光線投射法、拋雪球法等。
上傳時間： 2015-03-27
上傳用戶：bunny11
遺傳算法為群體優化算法，也就是從多個初始解開始進行優化，每個解稱為一個染色體，各染色體之間通過競爭、合作、單獨變異，不斷進化。 優化時先要將實際問題轉換到遺傳空間，就是把實際問題的解用染色體表示，稱為編碼，反過程為解碼，因為優化后要進行評價，所以要返回問題空間，故要進行解碼。SGA采用二進制編碼，染色體就是二進制位串，每一位可稱為一個基因；解碼時應注意將染色體解碼到問題可行域內。 遺傳算法模擬“適者生存，優勝劣汰”的進化機制，染色體適應生存環境的能力用適應度函數衡量。對于優化問題，適應度函數由目標函數變換而來。一般遺傳算法求解最大值問題，如果是最小值問題，則通過取倒數或者加負號處理。SGA要求適應度函數>0，對于<0的問題，要通過加一個足夠大的正數來解決。這樣，適應度函數值大的染色體生存能力強。 遺傳算法有三個進化算子：選擇（復制）、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圓盤上，每個染色體占據一定的扇形區域，扇形區域的面積大小和染色體的適應度大小成正比。如果輪盤中心裝一個可以轉動的指針的話，旋轉指針，指針停下來時會指向某一個區域，則該區域對應的染色體被選中。顯然適應度高的染色體由于所占的扇形區域大，因此被選中的幾率高，可能被選中多次，而適應度低的可能一次也選不中，從而被淘汰。算法實現時采用隨機數方法，先將每個染色體的適應度除以所有染色體適應度的和，再累加，使他們根據適應度的大小分布于0-1之間，適應度大的占的區域大，然后隨機生成一個0-1之間的隨機數，隨機數落到哪個區域，對應的染色體就被選中。重復操作，選出群體規模規定數目的染色體。這個操作就是“優勝劣汰，適者生存”，但沒有產生新個體。 交叉模擬有性繁殖，由兩個染色體共同作用產生后代，SGA采用單點交叉。由于SGA為二進制編碼，所以染色體為二進制位串，隨機生成一個小于位串長度的隨機整數，交換兩個染色體該點后的那部分位串。參與交叉的染色體是輪盤賭選出來的個體，并且還要根據選擇概率來確定是否進行交叉（生成0-1之間隨機數，看隨機數是否小于規定的交叉概率），否則直接進入變異操作。這個操作是產生新個體的主要方法，不過基因都來自父輩個體。 變異采用位點變異，對于二進制位串，0變為1，1變為0就是變異。采用概率確定變異位，對每一位生成一個0-1之間的隨機數，看是否小于規定的變異概率，小于的變異，否則保持原狀。這個操作能夠使個體不同于父輩而具有自己獨立的特征基因，主要用于跳出局部極值。 遺傳算法認為生物由低級到高級進化，后代比前一代強，但實際操作中可能有退化現象，所以采用最佳個體保留法，也就是曾經出現的最好個體，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，一種是把出現的最優個體單獨保存，最后輸出，不影響原來的進化過程；一種是將最優個體保存入子群，也進行選擇、交叉、變異，這樣能充分利用模式，但也可能導致過早收斂。 由于是基本遺傳算法，所以優化能力一般，解決簡單問題尚可，高維、復雜問題就需要進行改進了。 下面為代碼。函數最大值為3905.9262，此時兩個參數均為-2.0480，有時會出現局部極值，此時一個參數為-2.0480，一個為2.0480。算法中變異概率pm=0.05，交叉概率pc=0.8。如果不采用最優模式保留，結果會更豐富些，也就是算法最后不一定收斂于極值點，當然局部收斂現象也會有所減少，但最終尋得的解不一定是本次執行中曾找到過的最好解。
標簽： 遺傳算法
上傳時間： 2015-06-04
上傳用戶：芃溱溱123
全局測量與精度控制是超大空間內精密測量的基礎，決定著整體測量的性能和適用性。為提高整體空間測量精度，同時解決定向及尺度問題，必須在全局空間內布設高精度測量控制網。三維坐標測量作為幾何量測量的重要代表，是建立控制網最直接且約束最強的控制條件。為建立大空間精密三維坐標控制網，采用激光跟蹤儀多站位對空間全局控制點進行三維坐標測量，結合奇異值分解算法完成各站位的方位定向，并利用激光跟蹤儀極高精度的測距值作為約束，對跟蹤儀測角誤差進行優化，進一步提高坐標控制網的精度。將該控制網建立方法應用于某飛機機翼表面形貌測量，實現激光跟蹤儀全局控制與終端攝影測量的高效組合，以不同若干站位下全局控制點間距離比對結果表明該控制網對現場測量精度和可靠性的提高具有良好效果 。
上傳時間： 2017-03-23
上傳用戶：wyf1995
遺傳算法、模擬退火算法、蟻群算法三種算法求解旅行商問題
上傳時間： 2017-04-17
上傳用戶：風之音誰懂
用二分法計算求解下列方程的近似根： （1）f（x）= X5 -x -1 = 0， （2）e2x- 5x2 + 2 = 0。
上傳時間： 2017-09-17
上傳用戶：nky1997
