针对奇异值分解信号降噪方法中吸引子轨迹矩阵（Hankel矩阵）结构的确定，以及有效奇异值的选择两个关键问题，提出了一种基于遗传算法的奇异值分解信号去噪算法。首先，利用原始信号构造Hankel矩阵，运用遗传算法对矩阵结构进行优化，然后对含噪声信息的矩阵进行奇异值分解，最后通过K-medoids聚类算法确定有效奇异值个数，对有效奇异值和其对应的向量进行奇异值分解反变换，还原原始信号，达到去噪目的。通过仿真实验并与小波包变换、小波变换以及传统快速傅氏变换（FFT）去噪方法相比较，结果表明该算法具有良好的去噪效果。

Tsp标准测试集+遗传算法和迭代邻域搜索的java代码，代码内部有详细的注释和应用，求解效果不错！！！值得学习

西工大计算机学院计算机操作系统2022最新报告，给出了两次实验的完整的project， 可以直接copy到linux系统中使用bochs -f bochsrc运行，同时 word报告中详细介绍了编写代码的步骤和相关的代码和最后的实验的截图，供各位同学参考 实验内容： 掌握GeekOS系统的线程调度算法，实现线程调度的优化。 1. 按照实验讲义P146页中的设计要求，增加线程调度算法的选择策略，使系统可以在时间片轮转调度和四级反馈队列调度之间切换，并且实现四级反馈队列调度算法，给出关键函数的代码以及实验结果。 2.回答问题：在MLFQ算法中，如果为不同队列的线程设置不同的时间片，如何实现？代码要做哪些修改？第十章第1、2题. 掌握GeekOS系统的线程同步与互斥原理，实现线程的同步与互斥。 1. 在GeekOS中实现信号量，使用信号量保证用户程序运行时的线程同步，给出关键函数的代码以及实验结果。 2. 设计测试程序，验证线程同步和互斥的结果。 3. 回答课后思考题。第十一章第1题。 在项目2 的基础上，增加调度算法的选择策略，使系统可以在时间片轮转调度和四级反馈队列调度之间切换。实

TSP问题的遗传算法（GA）、动态规划（DP）和蚁群算法（PSO）的python实现（含报告） 包含遗传算法的word报告，代码都可以跑通，安装必须依赖即可。 本实验课程是计算机、智能、物联网等专业学生的一门专业课程，通过实验，帮助学生更好地掌握人工智能相关概念、技术、原理、应用等；通过实验提高学生编写实验报告、总结实验结果的能力； 使用蚁群优化算法或者粒群优化算法求解TSP问题。

前者的贡献在于将量子多宇宙的概念引入遗传算法，利用多个宇宙的并行搜索，增大搜索范围，利用宇宙之间的联合交叉，实现信息的交流，从而整体上提高了算法的搜索效率。但算法中的多宇宙是通过分别产生多个种群获得的，并没有利用量子态，因而仍属于常规遗传算法。后者将量子的态矢量表达引入遗传编码，利用量子旋转门实现染色体的演化，实现了比常规遗传算法更好的效果。但该算法主要用来解决0-1背包问题。编码方案和量子旋转门的演化策略不具有通用性，尤其是由于所有个体都朝一个目标演化，如果没有交叉操作，极有可能陷入局部最优。

欺骗性函数 图式划分：指引相互之间竞争的定义位为同一集合的一组图式。 如#表示定义位，则H1=*1*0*，H2=*0*1* ，H3=*1*1*， H4=*0*0* 同属于划分*#*#*。 总平均适应度（OAF）：对一个给定图式，OAF即为其成员 的平均适应度。 欺骗性函数——包含全局最优的图式其OAF不如包含局部最优的OAF，这种划分称为欺骗划分，它会使GA陷入局部最优。如最高阶欺骗函数有k个定义位，则此函数称k阶欺骗。

针对基本遗传算法（简称BGA）常常存在局部收敛以及收敛解精度不高等方面的不足，提出了一种改进的算法——两阶段遗传算法，给出了算法的结构及具体的实施策略，进而利用Markov链理论和仿真技术分析了该算法的收敛性能，结果表明该算法具有操作简单、鲁棒性强等特点，不仅可以有效地避免寻优过程中的“早熟”现象，而且在很大程度上能提高最优解精度，适合于大规模、高精度的优化问题。

为了改善差分进化粒子群算法的局部搜索能力和收敛速度，提出了一种混沌差分进化的粒子群优化算法。该算法利用信息交换机制将两组种群分别用差分进化算法和粒子群算法进行协同进化，并且将混沌变异操作引入其中，加强算法的局部搜索能力。通过对三个标准函数进行测试，仿真结果表明该算法与DEPSO算法相比，全局搜索能力、抗早熟收敛性能及收敛速度大大提高。

一个模仿《复杂》一书中介绍的捡罐子机器人编写的程序 进化得不是太好，但足以用于演示 关于这份程序的心得和介绍在此： http://blog.csdn.net/eyeofice/article/details/8694230 非常诚恳地希望得到建议和指正

解决码头泊位分配问题，码头优化调度问题。