使用摩尔邻域进行边界追踪============================================== 亚当 H.艾特肯黑德adam.aitkenhead@physics.cr.man.ac.uk 克里斯蒂 NHS 基金会信托2010 年 5 月 17 日使用 Moore 邻域的 2D 边界跟踪。 用法====== >> [listCONTOUR,listNORMALS] = TRACE_MooreNeighbourhood(data2D,pixelFIRST) 获取逻辑数组 并跟踪 1s 区域的边界。 起始像素的坐标可选地由 定义。 输入参数================ data2D - 大小为 (L,M) 的二维逻辑数组（1 => 区域内，0 => 区域外） pixelFIRST（可选） - 一个 (2x1) 数组，包含位
2021-10-25 20:54:30
35KB
1
变邻域搜索算法matlab代码
2021-10-22 12:36:13
6.13MB
1
变邻域搜索算法matlab代码解决工程优化问题
粒子群优化
1.简介
粒子群优化（PSO）是一种计算方法，它通过反复尝试针对给定的质量度量来改进候选解决方案来优化问题。
它通过拥有一组候选解（粒子）并根据粒子位置和速度上的简单数学公式在搜索空间中移动这些粒子来解决问题。
每个粒子的运动都受其本地最知名位置的影响，但也被引导向搜索空间中最知名的位置，这些位置会随着其他粒子找到更好的位置而更新。
可以预期这将朝着最佳解决方案迈进。
在这项研究中，存在四个用PSO解决的工程优化问题。
在此存储库中共享MATLAB算法和代码实现。
如图1所示。
x表示粒子的位置。
这些是我们在搜索领域的解决方案。
然后图中的箭头是每个粒子的速度。
2.算法
PSO模拟了鸟群的行为。
假设以下情况：一群鸟在一个区域中随机寻找食物。
被搜索的地区只有一种食物。
所有的鸟都不知道食物在哪里。
但是他们知道每次迭代中的食物有多远。
那么，找到食物的最佳策略是什么？
有效的方法是跟随最接近食物的鸟。
PSO从方案中学习并用于解决优化问题。
在PSO中，每个解决方案都是搜索空间中的“鸟”。
我们称其为“粒子”。
所有粒子
2021-10-14 21:14:07
1.87MB
1
利用邻域粗糙集进行属性约简，里面加入了8个数据集，有离散型数据，连续性数据，字母型数据。因此程序也加入了数据类型转换和归一化处理。程序函数在最下面部分。
2021-10-04 11:19:42
96KB