maltab遗传算法源程序，此程序为一个一个的小程序分开的，很完整。包括编码，设定初始种群，交叉，变异，及结束条件等
上传时间： 2017-09-02
上传用户：woshini123456
c语言一些基础编码，涉及许多经典算法如约瑟夫死亡游戏
上传时间： 2014-03-10
上传用户：cuiyashuo
C语言小型分析器实验报告1） 待分析的简化C语言的词法说明； 2） 单词符号的种别编码方案； 3） 所识别的各类单词符号的正规式或状态转换图； 4） 待分析的简化C语言的语法规则说明； 5） 所采用的语法分析方法的算法思想和主要步骤； 6） 完成语法制导翻译（翻译成后缀式）所用的翻译模式；（部分同学如果完成不了这部分内容就不要写） 7） 程序的主要算法思想和主要函数的算法思想及流程； 8） 对全局数据结构的说明
上传时间： 2017-09-18
上传用户：gdgzhym
matlab遗传算法程序，包括编码，选择，交叉，变异等步骤。
上传时间： 2017-09-20
上传用户：wuyuying
本书以群智能优化算法中的粒子群优化（ParticleSwarmOptimization，PSO）算法为主线，着重阐述了PSO算法的基本原理、改进策略，从解空间设计、粒子编码以及求解流程等方面进行了详细设计与阐述。
上传时间： 2015-03-14
上传用户：wd450725076
将编码的差分跳频系统等效为串行级联码，充分利用频率转移函数所产生的网格关联信息， 采用软输入软输 算法，进行类Turbo串行迭代译码，能有效改善系统的误比特性能． 此，如何实现差 分跳频系统串行级联结构的外编码器和频率转移函数(( 函数)的匹配设计是值得深入研究的问题．基 于互信息的外信息转移图(ExIT)能有效预测迭代译码的收敛特性，并根据E xlT选择适当的内、外码 进行级联．采用基于互信息的Exn、用分析差分跳频串行级联结构中外编码器和G函数的外信息转移 过程，提出了一种采用ExIT图选择G函数及外编码器的方法．通过对陔l方法的理论分析和性能仿真， 结果表明，在一定的输入先验信息量条件下，信噪比越高，G函数输 互信息量越大；在给定信噪比条件 下，不同G 函数刘 应的输出互信息量随输入先验信息量增长速度不同，能有效实现对性能较好的G 函 数的选择；对于给定G甬数，在不同外编码方式下，通过E xlT阁能得到迭代译码收敛的门限值；能反应 出不同编码方式下的收敛特性的好坏，从而实现外编码器和G函数的匹配设计．
标签： 南京大学学报
上传时间： 2015-04-27
上传用户：xiefuai
简单函数的遗传算法matlab实现，交叉率，变异率，编码解码，最适应函数等
标签： 函数优化
上传时间： 2015-05-11
上传用户：这可能最困难
采用简洁的文字系统的介绍了遗传算法，结合遗传算法和数据编码
标签： 介绍算法
上传时间： 2015-06-01
上传用户：sxdz86
遗传算法为群体优化算法，也就是从多个初始解开始进行优化，每个解称为一个染色体，各染色体之间通过竞争、合作、单独变异，不断进化。 优化时先要将实际问题转换到遗传空间，就是把实际问题的解用染色体表示，称为编码，反过程为解码，因为优化后要进行评价，所以要返回问题空间，故要进行解码。SGA采用二进制编码，染色体就是二进制位串，每一位可称为一个基因；解码时应注意将染色体解码到问题可行域内。 遗传算法模拟“适者生存，优胜劣汰”的进化机制，染色体适应生存环境的能力用适应度函数衡量。对于优化问题，适应度函数由目标函数变换而来。一般遗传算法求解最大值问题，如果是最小值问题，则通过取倒数或者加负号处理。SGA要求适应度函数>0，对于<0的问题，要通过加一个足够大的正数来解决。这样，适应度函数值大的染色体生存能力强。 遗传算法有三个进化算子：选择（复制）、交叉和变异。 SGA中，选择采用轮盘赌方法，也就是将染色体分布在一个圆盘上，每个染色体占据一定的扇形区域，扇形区域的面积大小和染色体的适应度大小成正比。如果轮盘中心装一个可以转动的指针的话，旋转指针，指针停下来时会指向某一个区域，则该区域对应的染色体被选中。显然适应度高的染色体由于所占的扇形区域大，因此被选中的几率高，可能被选中多次，而适应度低的可能一次也选不中，从而被淘汰。算法实现时采用随机数方法，先将每个染色体的适应度除以所有染色体适应度的和，再累加，使他们根据适应度的大小分布于0-1之间，适应度大的占的区域大，然后随机生成一个0-1之间的随机数，随机数落到哪个区域，对应的染色体就被选中。重复操作，选出群体规模规定数目的染色体。这个操作就是“优胜劣汰，适者生存”，但没有产生新个体。 交叉模拟有性繁殖，由两个染色体共同作用产生后代，SGA采用单点交叉。由于SGA为二进制编码，所以染色体为二进制位串，随机生成一个小于位串长度的随机整数，交换两个染色体该点后的那部分位串。参与交叉的染色体是轮盘赌选出来的个体，并且还要根据选择概率来确定是否进行交叉（生成0-1之间随机数，看随机数是否小于规定的交叉概率），否则直接进入变异操作。这个操作是产生新个体的主要方法，不过基因都来自父辈个体。 变异采用位点变异，对于二进制位串，0变为1，1变为0就是变异。采用概率确定变异位，对每一位生成一个0-1之间的随机数，看是否小于规定的变异概率，小于的变异，否则保持原状。这个操作能够使个体不同于父辈而具有自己独立的特征基因，主要用于跳出局部极值。 遗传算法认为生物由低级到高级进化，后代比前一代强，但实际操作中可能有退化现象，所以采用最佳个体保留法，也就是曾经出现的最好个体，一定要保证生存下来，使后代至少不差于前一代。大致有两种类型，一种是把出现的最优个体单独保存，最后输出，不影响原来的进化过程；一种是将最优个体保存入子群，也进行选择、交叉、变异，这样能充分利用模式，但也可能导致过早收敛。 由于是基本遗传算法，所以优化能力一般，解决简单问题尚可，高维、复杂问题就需要进行改进了。 下面为代码。函数最大值为3905.9262，此时两个参数均为-2.0480，有时会出现局部极值，此时一个参数为-2.0480，一个为2.0480。算法中变异概率pm=0.05，交叉概率pc=0.8。如果不采用最优模式保留，结果会更丰富些，也就是算法最后不一定收敛于极值点，当然局部收敛现象也会有所减少，但最终寻得的解不一定是本次执行中曾找到过的最好解。
标签： 遗传算法
上传时间： 2015-06-04
上传用户：芃溱溱123
陈国良遗传算法及应用，全面详细介绍了遗传算法的编码、选择、交叉、变异等操作，通俗易懂，适合需要全面系统地学习遗传算法的同学
标签： 算法
上传时间： 2021-07-22
上传用户：louis2019
