提出三维装载与CVRP 联合多目标优化问题(3LCVRPMO) 模型, 该模型在三维装载约束下的CVRP 问题(3LCVRP) 的基础上, 考虑了配送车辆数目及路径总距离两个目标函数. 在权衡装箱和路径优化两个优化过程的基础上, 构建了多阶段/两层混合算法架构(MSOTLH) 及其算法, 并对路径优化偏好的3LCVRPMO 问题进行求解. 基于3LCVRP 问题相关算例的数据实验结果表明, 所提出的3LCVRPMO 模型及MSOTLH 算法是有效的.

塞·帕德曼纳班（Sai K.Padmanaban） 8个具有A *的解算器，使用2种不同的启发式方法。 描述 该程序解决了所有可解决的8难题配置。 假设目标是： 0 1 2 3 4 5 6 7 8 其中0是空图块。 如何编译和运行程序： 使用目录中的命令“ javac Solver.java”编译程序。 编译后，键入“ java Solver”，程序应按预期运行。 或者，该程序可以在任何Java IDE上运行。 最初显示以下菜单。 初始状态配置： 1.随机配置 2.输入配置 3.从文件test.txt读取 选择1可随机检索可解决的8难题配置。 这将输出分步解决方案。 选择2手动输入配置。 输入初始配置作为不带空格的数字序列。 （例如350621748）。 这将输出分步解决方案。 选择3可从test.txt文件中读取多个示例案例，并输出平均搜索成本和平均时间。 确保

使用的数字来自 IEEE 802.11 (WiFi)。 通过使用通道模型，收发器可以在独立模式下作为仿真运行。 发射器和接收器还可以与 USRP 源节点和接收器节点配对，以进行空中实验和性能评估。 USRP 源/接收器文件不包括在内，可以从用于 USRP 的 Matlab 通信工具箱中获得。

启发算法 武汉大学 研究生 课件 内容丰富 遗传算法、模拟退火法、蚁群算法、禁忌搜索算法、贪婪算法 遗传算法、模拟退火法、蚁群算法、禁忌搜索算法、贪婪算法 遗传算法、模拟退火法、蚁群算法、禁忌搜索算法、贪婪算法

a*启发式搜索算法的matlab仿真程序

Ant Lion Optimizer (ALO) 模仿自然界中蚁狮的狩猎机制。 狩猎猎物的五个主要步骤得以实现，例如随机行走蚂蚁，筑筑陷阱，将蚂蚁困在陷阱中，捕捉猎物和重建陷阱。 这是论文的源代码： Seyedali Mirjalili，The Ant Lion Optimizer，工程软件进展，第 83 卷，2015 年 5 月，第 80-98 页，ISSN 0965-9978， http: //dx.doi.org/10.1016/j.advengsoft.2015.01.010。 ( http://www.sciencedirect.com/science/article/pii/S0965997815000113 ) 更多信息请见： http : //www.alimirjalili.com/ALO.html 我有很多这方面的相关课程。 您可以通过以下链接注册，享受 95% 的

提出一种全局静态环境下移动机器人路径规划的改进势场蚁群算法.该算法采用人工势场法求得的初始路径和机器人与下一个节点之间的距离综合构造启发信息,并引入启发信息递减系数,避免了传统蚁群算法由于启发信息误导所致的局部最优问题;依据零点定理, 提出初始信息素不均衡分配原则,不同的栅格位置赋予不同的初始信息素,降低蚁群搜索的盲目性,提高算法的搜索效率;设定迭代阈值,自适应调节信息素挥发系数,使得该算法具有较高的全局搜索能力,避免出现停滞现象.仿真结果验证了所提出算法的可行性和有效性.

VueWeb3 Web3 1.0的Vue.js绑定 安装 在模块环境中，例如CommonJS： npm install vue web3@beta vue-web3 var Vue = require ( 'vue' ) var Web3 = require ( 'web3' ) var VueWeb3 = require ( 'vue-web3' ) // explicit installation required in module environments Vue . use ( VueWeb3 , { web3 : new Web3 ( web3 . currentProvid

电力系统动态环境经济调度(DEED)在节能减排中具有举足轻重的地位。针对NSGA-Ⅱ的不足，提出一种具有可控精英主义的选择操作的改进NSGA-Ⅱ(MNSGA-Ⅱ)，在保证精英主义的前提下保证种群的多样性。对模型复杂约束的启发式操作中所遇到的进化受阻问题进行分析，并采用基于前向搜索算子的改进启发式操作解决该问题。利用新型成员函数表征Pareto最优解集中个体的优劣性，选出最佳折中解。经典10机系统算例仿真结果表明，与NSGA-Ⅱ相比，所提MNSGA-Ⅱ具有更佳的全局搜索能力。

群体智能是一个研究领域，它对成群的昆虫或动物的集体行为进行建模。 已经提出了由这些模型产生的几种算法来解决范围广泛的复杂优化问题。 在本文中，提出了一种称为社交蜘蛛优化（SSO）的新型群算法来解决优化任务。 SSO 算法基于模拟社交蜘蛛的合作行为。 在所提出的算法中，个体模仿一组蜘蛛，这些蜘蛛根据合作群体的生物学规律相互交互。 该算法考虑两种不同的搜索代理（蜘蛛）：男性和女性。 根据性别，每个个体都由一组不同的进化算子引导，这些算子模仿通常在群体中发现的不同合作行为。 为了说明所提出方法的熟练程度和稳健性，将其与其他众所周知的进化方法进行了比较。 比较检查了进化算法文献中通常考虑的几个标准基准函数。 结果显示了所提出的方法的高性能，用于搜索具有多个基准函数的全局最优值。 文章发表于： Cuevas, E., Cienfuegos, M., Zaldívar, D., Pérez-Cisn