人工智能课程上是实现了八数码问题，感兴趣的可以看看。

数据融合matlab代码BIMEF 我们的论文“用于弱光图像增强的受生物启发的多重曝光融合框架”的代码 还提供了比较方法的代码，请参见 下载：（只需将数据解压缩到当前文件夹） 数据集VV, LIME, NPE, NPE-ex1, NPE-ex2, NPE-ex3, DICM, MEF 由于某些方法非常耗时，因此我们还提供了它们的结果（例如， results__dong@VV.zip ） 由于某些指标非常耗时，因此我们还提供了它们的结果（ TestReport.zip ） 通过运行experiments.m可以轻松复制所有experiments.m 从左到右：输入图像，MSRCR，Dong，NPE，LIME，MF，SRIE和BIMEF（我们的）的结果。 数据集 （**增强图像增强和色调映射算法：**最具挑战性的案例的集合） DICM-从商用数码相机拍摄的69张图像： 先决条件 原始代码在Matlab 2016b 64位Windows 10上进行了测试 是运行VIF指标（ vif.m ）所必需的。 设置 运行startup.m添加所需的路径，然后您可以尝试以下演示。 I = imread(

一种改进的启发式蚁群算法(论文) An Improved Heuristic Ant-Clustering Algorithm

经典的PSO算法，是一种基于种群的随机优化技术，粒子群算法模仿昆虫、兽群、鸟群和鱼群等的群集行为，这些群体按照一种合作的方式寻找食物。适用于入门学习。通过判断粒子停滞状态，陷入局部最优时重启粒子继续搜索。

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

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

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。