提出了一种基于遗传算法进行频谱估计的相干多普勒测风激光雷达三维风场反演方法。该方法无需对视向风速进行计算,可以直接从多方位频谱密度中提取三维风场信息,能够提高弱信噪比情况下的数据反演精度。采用的遗传算法为针对相干激光雷达改进的遗传算法,能够准确、快速、并行地反演出风矢量解。对算法进行了仿真,结果显示,改进后的遗传算法在收敛速度以及全局寻优能力方面相对于传统遗传算法都有着明显提升,并且在低信噪比信号仿真对比中,此方法风场反演结果优于传统非线性最小二乘法反演结果。将该方法应用于实际雷达系统中,在激光雷达与探空气球实测数据对比中,两者水平风速均方根误差小于0.7 m/s,水平风向标准偏差小于6°,这些结果验证了风场反演结果的精确性。将采用所提方法得到的结果与实测数据最小二乘法风场反演结果进行对比,发现在当时的大气条件下,频谱估计法约有12.3%的探测距离的增大。仿真和实测数据对比结果充分证明了此方法反演三维风场的能力和有效性。

【优化调度-车间调度】基于遗传算法求解车间调度问题matlab源码2.zip

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。

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

基于遗传算法优化BP神经网络的数据回归预测（Matlab完整程序和数据） 基于遗传算法优化BP神经网络的数据回归预测（Matlab完整程序和数据） 基于遗传算法优化BP神经网络的数据回归预测（Matlab完整程序和数据）

基于遗传算法优化BP神经网络的时间序列预测（Matlab完整程序和数据） 基于遗传算法优化BP神经网络的时间序列预测（Matlab完整程序和数据） 基于遗传算法优化BP神经网络的时间序列预测（Matlab完整程序和数据） 运行版本2018及以上

基于遗传算法优化BP神经网络的数据分类预测（Matlab完整程序和数据） 基于遗传算法优化BP神经网络的数据分类预测（Matlab完整程序和数据） 基于遗传算法优化BP神经网络的数据分类预测（Matlab完整程序和数据） 运行版本2018及以上

智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab仿真

【路径规划】基于遗传算法结合粒子群算法求解带时间窗车辆路径规划问题（VRPTW）matlab源码.zip

【路径规划】基于遗传算法求解多车型带时间窗车辆路径规划问题（VRPTW）matlab源码.zip