一个简单的信息检索系统，在数据区，初始化有9个不同的信息，编号为0-8，每个信息包括有40个字符。在这个程序里，这9个信息组成一个信息表，对信息表的查找是根据从键盘接收的编号来确定的，根据从键盘接收0-8之间的一个编号，然后在屏幕上显示出相应编号的信息内容，按“q”键退出。
标签： 信息检索系统
上传时间： 2017-03-27
上传用户：thinode
单片机控制，通过按键在一数码管上显示数字0-8。数码管是共阴的。
标签： 单片机控制
上传时间： 2014-01-13
上传用户：wpwpwlxwlx
一个跑马灯的程序，按1键顺序显示0-9，间隔为1，按2键顺序显示0-8，间隔为2。设置中断使时间间隔为1秒
上传时间： 2014-01-02
上传用户：dbs012280
在Windows下的各种网络编程接口中，Windows Sockets脱颖而出，越来越得到大家的重视，这是因为Windows Sockets规范是一套开放的、支持多种协议的Windows下的网络编程接口。从1991年的1.0版到1995年的2.0.8版，经过不断完善并在Intel、Microsoft、Sun、SGI、Informix、Novell等公司的全力支持下，已成为Windows网络编程的事实上的标准。 在作者利用Windows Sockets规范进行应用开发的过程中，发现这方面的资料很少，特别是缺乏一本全面而实用的专著。为了使广大用户能够充分理解和应用这套规范，我们编写了这本书。本书不但对Windows Sockets 1.1及2.0规范作了较为详尽的介绍，还结合了作者的实际工作，给出了具有实际应用价值的程序实例
上传时间： 2014-01-15
上传用户：z754970244
采用单神经元结构对两类样本进行分类，其中X为输入样本，T为目标向量。X=[-0.5,-0.5,0.3,0.1,-0.1,0.8,0.2,0.3 0.3,-0.2,-0.6,0.1,-0.5,1.0,0.3,0.9] T=[0,0,0,1,0,1,1,1]
上传时间： 2013-12-18
上传用户：xc216
利用键盘中断编写程序完成以下功能： （1）在LCD上排显示"TJU EIE05 xxxxxx"，其中xxxxxx表示学号，下排右端显示按键的键号1~9。 （2）1键对下排左端显示的内容进行加1操作，2键对下排左端显示的内容进行减1操作，数的变化范围在0~8之间，初始值为0。
上传时间： 2017-08-02
上传用户：gut1234567
设计一个出租车计费系统： 起步价为5元（2km以内），2km后，0.8元/0.5km 要求每500m刷新计费一次，在8位数码管中，前四位显示数码管显示里程数,后四位数码管显示价钱（角，元，十元，百元）
上传时间： 2013-12-16
上传用户：tb_6877751
自制贪吃蛇的程序，包括从0.1至0.8的源程序，在eclipse里边写的。
上传时间： 2014-08-24
上传用户：zhangzhenyu
emWin旨在提供一个高效、处理器和显示controller-independent图形用户 界面(GUI)运行的任何应用程序的图形化显示。这是官方的用户手册
上传时间： 2015-04-24
上传用户：liudapang
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
