自然选择
共 18 篇文章
自然选择 相关的电子技术资料，包括技术文档、应用笔记、电路设计、代码示例等，共 18 篇文章，持续更新中。
基于FPGA的遗传算法的硬件实现
遗传算法是一种基于自然选择原理的优化算法，在很多领域有着广泛的应用。但是，遗传算法使用计算机软件实现时，会随着问题复杂度和求解精度要求的提高，产生很大的计算延时，这种计算的延时限制了遗传算法在很多实时性要求较高场合的应用。为了提升运行速度，可以使用FPGA作为硬件平台，设计数字系统完成遗传算法。和软件实现相比，硬件实现尽管在实时性和并行性方面具有很大优势，但同时会导致系统的灵活性不足、通用性不强。
基于FPGA的遗传算法硬件实现研究
遗传算法是基于自然选择的一种鲁棒性很强的解决问题方法。遗传算法已经成功地应用于许多难优化问题，现已成为寻求满意解的最佳工具之一。然而，较慢的运行速度也制约了其在一些实时性要求较高场合的应用。利用硬件实现遗传算法能够充分发挥硬件的并行性和流水线的特点，从而在很大程度上提高算法的运行速度。 本文对遗传算法进行了理论介绍和分析，结合硬件自身的特点，选用了适合硬件化的遗传算子，设计了标准遗传算法硬件框架；
基于进化规划算法的IIR数字滤波器优化设计
采用进化规划算法进行IIR数字滤波器的优化设计。进化规划算法是一种模拟自然选择和变异机制的随机并行优化算法。本文首先描述了进化规划算法，并将进化规划算法用于IIR 数字滤波器优化设计，模拟计算结果表明
基于优化模拟电荷法的电器电场数值模拟与分析.rar
在高压电器设备的绝缘设计和分析中，数值计算是不可缺少的重要环节：绝缘设计分祈的大部分工作是以电场数值计算为基础而展开具体研究工作。常用电场数值计算方法有边界分割法和场域分割法。场域分割法包括差分法和有限元法等。边界分割法包括模拟电荷法和表面电荷法等，其中模拟电荷法具有独特的优势，被广泛用于电场数值计算中。本文在分析不同数值计算方法应用特点的基础上，进行了基于模拟电荷法的电器电场数值求解应用研究。
matlab 遗传算法
<span style="font-family:楷体;font-size:large;">遗传算法，模拟达尔文进化论的自然选择和遗传学机理的生物进化过程的计算模型，一种选择不断选择优良个体的算法。谈到遗传，想想自然界动物遗传是怎么来的，自然主要过程包括染色体的选择，交叉，变异（不明白这个的可以去看看生物学），这些操作后，保证了以后的个体基本上是最优的，那么以后再继续这样下去就可以一直最优了。</
<<MATLAB遗传算法工具箱及应用>>介绍了如何在MATLAB中完成遗传算法的应用。遗传算法[Genetic Arithmatic
<<MATLAB遗传算法工具箱及应用>>介绍了如何在MATLAB中完成遗传算法的应用。遗传算法[Genetic Arithmatic，简称GA]是以自然选择和遗传理论为基础，将生物进化过程中适者生存规则与群体内部染色体的随机信息交换机制相结合的高效全局寻优搜索算法。GA摒弃传统的搜索方式，模拟自然界生物进化过程，采用人工进化的方式对目标空间进行随机优化搜索。MATLAB是M
遗传算法是模拟达尔文生物进化论的自然选择与遗传学机理的计算模型, 它是由美国Michigan 大学的Holland教授于1975年首次提出的. 这是一种新的全局优化搜索算法, 其基本特征是利用群体进化
遗传算法是模拟达尔文生物进化论的自然选择与遗传学机理的计算模型, 它是由美国Michigan 大学的Holland教授于1975年首次提出的. 这是一种新的全局优化搜索算法, 其基本特征是利用群体进化,即在求解过程中, 通过使种群不断优化, 从而找到满意解或最优解. 该算法具有简单通用、鲁棒性强的优点, 适于并行处理, 已经广泛地应用于计算机科学、优化调度、运输问题及组合优化等领域
具有如同您所希望的那样的确定性
具有如同您所希望的那样的确定性，意味着用户可以决定重复次数和结束条件。它模拟达尔文的自然选择，还有变异，把“适应性”（正如适用于个体的公式所决定的那样）作为主要因素选择生存繁衍和变异的个体。
一个用Ｃ＋＋实现的遗传算法程序
一个用Ｃ＋＋实现的遗传算法程序，模拟了动植物的自然选择。
遗传算法(Genetic Algorithm,GA)是一种抽象于生物进化过程的基于自然选择和生物遗传机制的优化技术. 遗传算法的基本原理 在遗传算法的执行过程中,每一代有许多不同的种群个体
遗传算法(Genetic Algorithm,GA)是一种抽象于生物进化过程的基于自然选择和生物遗传机制的优化技术.
遗传算法的基本原理
在遗传算法的执行过程中,每一代有许多不同的种群个体(染色体 )同时存在。这些染色体中哪个保留(生存)、哪个淘汰(死亡),是根据 它们对环境的适应能力来决定的,适应性强的有更多的机会保留下来 。适应性强弱是通过计算适应性函数f(x)的值来判别的,这个值
遗传算法是一种借鉴生物界自然选择和进化机制发展起来的高度并行、随机、自适应搜索算法。由于其具有健壮性
遗传算法是一种借鉴生物界自然选择和进化机制发展起来的高度并行、随机、自适应搜索算法。由于其具有健壮性，特别适合于处理传统搜索算法解决不好的复杂的和非线性问题。以遗传算法为核心的进化算法已与模糊系统理论、人工神经网络等一起成为计算智能研究中的热点，受到许多学科的共同关注。 本书全面系统地介绍了遗传算法的基本理论，重点介绍了遗传算法的经典应用和国内外的新
遗传算法(Genetic Algorithm, GA)是近几年发展起来的一种崭新的全局优化算法
遗传算法(Genetic Algorithm, GA)是近几年发展起来的一种崭新的全局优化算法，它借
用了生物遗传学的观点，通过自然选择、遗传、变异等作用机制，实现各个个体的适应性
的提高。这一点体现了自然界中"物竞天择、适者生存"进化过程。1962年Holland教授首次
提出了GA算法的思想，从而吸引了大批的研究者，迅速推广到优化、搜索、机器学习等方
面，并奠定了坚实的理论基础。 用遗
遗传算法(Genetic Algorithm, GA)是近几年发展起来的一种崭新的全局优化算法
遗传算法(Genetic Algorithm, GA)是近几年发展起来的一种崭新的全局优化算法，它借
用了生物遗传学的观点，通过自然选择、遗传、变异等作用机制，实现各个个体的适应性
的提高。
一个小游戏
一个小游戏，模拟自然选择的过程，比较有趣。
利用遗传算法优化人工神经网络权值论文. 遗传算法（Genetic Algorithm－GA）是一种基于自然选择和基因遗传学原理的优化搜索方法。
利用遗传算法优化人工神经网络权值论文.
遗传算法（Genetic Algorithm－GA）是一种基于自然选择和基因遗传学原理的优化搜索方法。
遗传算法是一类借鉴生物界自然选择和自然遗传机制的 随机化搜索算法。 它是模拟达尔文的遗传选择和自然淘汰的生 物进化过程的计算模型。
遗传算法是一类借鉴生物界自然选择和自然遗传机制的 随机化搜索算法。 它是模拟达尔文的遗传选择和自然淘汰的生 物进化过程的计算模型。
基于FPGA的遗传算法硬件实现研究
遗传算法是基于自然选择的一种鲁棒性很强的解决问题方法。遗传算法已经成功地应用于许多难优化问题，现已成为寻求满意解的最佳工具之一。然而，较慢的运行速度也制约了其在一些实时性要求较高场合的应用。利用硬件实现遗传算法能够充分发挥硬件的并行性和流水线的特点，从而在很大程度上提高算法的运行速度。 本文对遗传算法进行了理论介绍和分析，结合硬件自身的特点，选用了适合硬件化的遗传算子，设计了标准遗传算法硬件框架；
基于FPGA的遗传算法的硬件实现
遗传算法是一种基于自然选择原理的优化算法，在很多领域有着广泛的应用。但是，遗传算法使用计算机软件实现时，会随着问题复杂度和求解精度要求的提高，产生很大的计算延时，这种计算的延时限制了遗传算法在很多实时性要求较高场合的应用。为了提升运行速度，可以使用FPGA作为硬件平台，设计数字系统完成遗传算法。和软件实现相比，硬件实现尽管在实时性和并行性方面具有很大优势，但同时会导致系统的灵活性不足、通用性不强。