简单说明 使用多种基本启发式算法替代广义TSP问题。 所谓广义TSP，即一些城市可能卖的是同一类商品，在买这类商品时仅走这些城市其中一个即可。 目录： 图片-只是一些结果图片 代码** extendTSP.py 用于随机生成广义TSP实例，并提供一些通用函数（如生成广义TSP实例，生成距离等） SA.py模拟退火 tabu.py禁忌搜索 Genetic.py遗传算法 ACO.py蚁群算法 依赖：matplotlib + numpy，python3 可以通过extendTSP.py中的extendTSP_generate（）函数来生成实例 def extendTSP_generate ( city_num , goods_num , x_range = 20 , y_range = 20 ) ' '' city_num - 城市数量 goods_num - 商品种类数目 x_range

短进程优先-RR时间片轮转算法模拟，操作系统实验内容

针对旅行商问题(TSP)优化中,遗传算法(GA)容易陷入局部最优、模拟退火算法(SA)收敛速度慢的问题,提出一种基于改进遗传模拟退火算法(IGSAA)的TSP优化算法.首先根据优化目标建立数学模型;然后对遗传算法部分中的适应度函数、交叉变异算子进行改进,使算法能够更加有效地避免陷入局部最优;最后根据旧种群和新种群每个对应个体的进化程度提出一种改进自适应的Metropolis准则,使模拟退火算法部分的染色体跳变更具有自适应性,利于算法寻优.对不同TSP实例的实验结果表明,与其他路径优化算法优化结果相比,所提出的IGSAA算法能够对不同TSP实例优化得到更优的旅行路径.

设计了一个内存管理模拟程序，实现了最先适应算法和最佳适应算法，可以手动申请内存大小，释放内存，同时附有测试程序，可设置测试次数，同时统计了平均申请内存大小，内存利用率及运行时间。

优化算法在很多邻域都有很大的用处 本程序主要是实现遗传算法和模拟退火算法结合的程序 希望对读者有用······

设计要求 1）．用语言来实现对n个进程采用不同调度算法的进程调度。 2）．每个用来标识进程的进程控制块PCB用结构来描述，包括以下字段： （1）进程优先数ID，其中0为闲逛进程，用户进程的标识数为1，2，3…。 （2）进程优先级Priority，闲逛进程（idle）的优先级为0，用户进程的优先级大于0，且随机产生，优先数越大，优先级越高。 （3）进程占用的CPU时间CPUtime，进程每运行一次，累计值等于4。 （4）进程总共需要运行时间Alltime，利用随机函数产生。 （5）进程状态，0：就绪态；1：运行态；2：阻塞态。 （6）队列指针next，用来将多个进程控制块PCB链接为队列。 3）．优先数改变的原则 （1）进程在就绪队列中每呆一个时间片，优先数增加1。 （2）进程每运行一个时间片，优先数减3。 4）．在调度前，系统中拥有的进程数PCB_number由键盘输入，经初始化后，所有的进程控制块PCB链接成就绪队列。

本实验要求模拟设计一个去驱动调度程序，观察驱动调度程序的动态运行过程，采用电梯调度算法，实现对磁盘的读写管理。先假设有5个进程等待使用磁盘，用随机数模拟接受请求，确定程序的运行顺序。 内附源码，实验流程图

此示例将计算集成到有关铁磁体 Ising 模型的物理课程中。 最后附有练习。 学生将学习如何实现 Metropolis 算法、编写模块化程序、绘制物理关系、并行运行 for 循环，以及开发机器学习算法以对相位进行分类并预测自旋的 2D 配置的温度。 所需产品注意事项： 尽管某些练习使用了统计和机器学习工具箱，并行计算工具箱和神经网络工具箱，但MATLAB是运行实时脚本的唯一必需产品。

针对模式识别时原始特征数量大而有冗余的现象，提出了一种基于遗传退火算法的特征选优方法，首先对遗传算法和模拟退火做了简要评论，然后在遗传算法中引入模拟退火的 Boltzmann 更新机制，以克服传统的遗传算法易于过早收敛和易于陷入局部极小的问题，最后阐述、设计了适应度函数和遗传算子。仿真实验表明，该方法在求解的效率和解的质量方面都达到了令人满意的效果。

解决小世界网络模型问题，对小世界网络模型的构建过程和主要统计量进行分析，基于一个规则环状网给出算法描 述和代码实现小世界网络模型的模拟，设计代码计算此模型的最短路径平均长度和集聚系数，通过运行代 码获得的统计数据进一步验证和分析了小世界网络模型的内在特征和规律，为模拟实现具有大规模节点的 小世界网络提供可能.