矩阵乘法的四张量幂问题的基于优势的约束优化进化算法

蜜蜂CNN模糊进化深度学习算法（人脸识别，智能优化算法，MATLAB源码分享） 在训练阶段之后，可以使用进化算法拟合深度学习权重和偏差。 这里，CNN用于对8个人脸类别进行分类。 在CNN训练之后，创建初始模糊模型以帮助学习过程。 最后，CNN网络权重（来自全连接层）使用蜜蜂算法训练，以自然启发的方式进行拟合（这里是蜜蜂的行为）。 可以将数据与任意数量的样本和类一起使用。 请记住，代码的参数是根据数据进行调整的，如果要替换数据，可能需要更改参数。 图像数据大小为64*64，2维，存储在“CNNDat”文件夹中。 因此，重要的参数如下： “numTrainFiles”=您必须根据每个类中的样本数量来更改它。 例如，如果每个类有120个样本，那么90个就足够好了，因为90个样本用于训练，而其他样本用于测试。 “imageInputLayer”=图像数据的大小，如[64 64 1] “fullyConnectedLayer（完全连接层）”=类的数量，如（8） “MaxEpochs”=越多越好，计算运行时间越长，如405。 “ClusNum”=模糊C均值（FCM）聚类数，如3或4很好

提出一种功耗限制下测试端口选择优化的方法，从而缩短测试时间。以系统功耗确定测试端口对数，以内核测试占用网络资源最少和测试时间最短为目标，为被测核选择端口位置。利用云进化算法对不同端口位置组合寻优，快速收敛到适应值最佳的测试端口组合，完成测试方法研究。以ITC’02基准电路作为实验对象，针对不同规模NoC，实验结果表明，这种方法提高了测试效率，缩短了测试时间，降低了测试代价。

针对FFT对轧辊偏心信号分析的局限性，提出了基于微分进化的MFFT方法。论述了方法的基本思想、实现过程及其关键步骤。通过仿真实验表明，基于微分进化的MFFT方法可以较好地分析当采样持续时间不是信号周期整数倍时的轧辊偏心信号。以某五机架冷连轧机为研究对象，应用基于微分进化的MFFT方法实现对轧辊偏心的诊断，结果表明：在该五机架连轧机中，第1架轧机的轧辊偏心因素、末架轧机的轧辊偏心因素及热轧前钢坯上的水印因素，是造成末架轧机轧制力波动的主要原因。该诊断方法可以为轧辊偏心的定性分析与在线控制及补偿提供可靠的依据

C# 调用Steam命令直连游戏服务器的demo。源码是已方舟生存进化游戏为原形。 其他游戏都大同小异，大神请勿下载，仅仅是个直连

MEGA5_Setup.rar 构建进化树

动态多目标优化进化算法主要研究如何利用进化计算方法求解动态多目标优化问题,其已成为进化计算领城一个新的研究课题。本文首先介绍了动态优化问题的分类,然后描述了动态多目标优化问题的基本概念、数学表述,最后在当前对动态多目标优化进化算法的基本原理、设计目标、研究现状及性能度量讨论的基础上,提出了对动态多目标优化问题需进一步研究的关键问题。

变异(Mutation) 交叉(Crossover) 选择(Selection) 遗传操作 算法的基本思想是从某一随机产生的初始群体开始，利用从种群中随机选取的两个个体的差向量作为第三个个体的随机变化源，将差向量加权后按照一定的规则与第三个个体求和而产生变异个体，该操作称为变异。然后，变异个体与某个预先决定的目标个体进行参数混合，生成试验个体，这一过程称之为交叉。如果试验个体的适应度值优于目标个体的适应度值，则在下一代中试验个体取代目标个体，否则目标个体仍保存下来，该操作称为选择 *

空间耦合LDPC（Spatially Coupled LDPC，SC-LDPC）码最早源自 Felstrom 和 Zigangirov 在 1999 年提出的卷积 LDPC码，由LDPC线性分组码耦合而成。其置信传播（Belief Propagation，BP）阈值接近 LDPC 码的最大后验概率(Maximum a Posterior，MAP）阈值，这种现象称为“阈值饱和”效应。由于这种空间耦合结构带来的门限饱和校应，导致它在理论上可以逼近香农容量极限。因此，SC-LDPC 码的结构设计与性能优化成为科研工作者的研究热点。

nsga ii算法代码MATLAB 演示“工具箱” 多目标优化的差分进化 这些代码是由（）在其理学硕士期间开发的。 在（）教授的指导下，在米纳斯吉拉斯州联邦大学就读。 Octave-Matlab文件夹包含Octave的实现（也应在Matlab上工作）。 实现了以下算法： 后验方法（无首选项）： – DEMO [1]：具有非支配排序的常规DEMO； – IBEA [2]：使用指标代替DEMO。 先验的或交互式的（具有首选项）： – R-DEMO [3]：R-NSGA-II，但改用DEMO； – PBEA [4]：IBEA，但使用参考点； – PAR-DEMO（nds）[5]：我们提出的使用非支配排序的方法； – PAR-DEMO（ε）[5]：相同的方法，但使用指示符。 Fillipe的理学硕士论文可用，并包含了多目标优化和基于偏好的方法的广泛评论。 它还包含对基于首选项的自适应兴趣区域（PAR）框架的更广泛的描述和讨论。 如果您以任何方式使用这些代码，请引用我们的论文[5]： @article{Goulart2016, doi = {10.1016/j.ins.2015.09.015},