基于Python的GPA计算器，可以直接通过导入exl表格读取信息，在你计算GPA，只需要按照实例表格写入自己的数据，就可以使用啦。
2021-12-10 22:21:12
10KB
1
针对人工蜂群算法存在易陷入局部最优、收敛速度慢的缺陷,提出一种改进邻域搜索策略的人工蜂群算法.首先,将混沌思想和反向学习方法引入初始种群,设计混沌反向解初始化策略,以增大种群多样性,增强跳出局部最优的能力;然后,在跟随蜂阶段根据更新前个体最优位置引入量子行为模拟人工蜂群获取最优解,通过交叉率设计更新前个体最优位置,并利用势阱模型的控制参数提高平衡探索与开发的能力,对观察蜂邻域搜索策略进行改进,以提高算法的收敛速度和精度;最后,将改进人工蜂群算法与粒子群算法、蚁群算法以及其他改进人工蜂群算法进行比较,利用12个标准测试函数进行仿真分析.结果表明,改进算法不仅提高了收敛速度和精度,而且在高维函数优化方面具有一定的优势.
2021-12-10 11:55:08
954KB
1
bp神经网络改进算法
一.使用说明
该程序有五个主要菜单项:
A.数据读入 (从已有数据文件中数据,包括网络结构,权值,学习率,样本等)
B.新建数据 (建立新的数据文件)
C.学习
D.测试
E.误差显示
操作过程:
1.使用已有的数据: A -> C -> D,E; (已有XOR.TXT, AND.TXT, OR.TXT)
2.新建数据文件: B -> A -> C -> D,E;
举例:求XOR问题数据文件的建立(菜单[B]的使用)
对话框(1)
输入层单元个数:2 (TAB键切换)
隐层单元个数:2
输出层单元个数:1
学习率:0.5
模式个数:4 ("输入"键)
对话框(2 -1)
第1个模式的输入值: (TAB键切换)
注意:0 (空格) 0
第1个模式的目标值:
0 ("输入"键)
对话框(2 - 2)
第2个模式的输入值: (TAB键切换)
0 (空格) 1
第2个模式的目标值:
1 ("输入"键)
对话框(2 - 3)
第3个模式的输入值: (TAB键切换)
1 (空格) 0
第3个模式的目标值:
1 ("输入"键)
对话框(2 - 4)
第4个模式的输入值: (TAB键切换)
1 (空格) 1
第4个模式的目标值:
0 ("输入"键)
二.程序说明
程序实现的是二层BP网络,通过从文件中读入数据来构建网络,同时读入对应的样本进行学习,测试.
ε=0.09 变量为max_error_tollerance;
forward_pass()向前计算输出值;
backward_pass()向后调整权值;
2021-12-10 02:42:18
49KB
1
针对单向物流配送中遇到的路径优化问题，提出一种蚁群算法对单向物流路径进行优化。同时针对传统蚁群算法存在着易滞性和收敛速度比较缓慢的问题，提出采用信息素更新、蚂蚁转移策略的方式，对传统蚁群算法进行改进。最后通过实例和仿真软件，对改进算法与传统算法进行比较，证明改进算法收敛速度和迭代次数方面都较传统算法有着很大的改进，并进一步证明本文所提出的改进方法与策略是正确和可行的，有利于更好的对当前的物流配送路径进行优化。
2021-12-06 17:10:04
1.25MB
1
针对雾霾图像中含有高亮、大面积浓雾，天空区域无法清晰识别，求取出的图像偏暗、色彩失真的问题，提出了一种基于暗通道先验的自适应阈值分割和透射率补偿的去雾改进算法，通过OSTU阈值分割将图像分为前景区域和背景区域，求取亮暗通道，并通过统计函数计算出前景区域和背景区域所占的像素比例，加权求取大气光值。通过透射率补偿参数K的引进,使得求取的透射率更接近真实值，最后通过CLEAR法进行色度调整。实验结果表明，该法去雾后的图像细节信息保留完整，失真度减小，视觉上更加真实自然，信息熵平均提高7.03%，SSIM平均提高5.56%，MSE平均减小9.19%。
2021-11-29 15:14:04
1.74MB
1
该算法，解决了不收敛的问题，聚类效果非常好（效果图如附件图片所示）。改进的蚁群算法是基于遗传算法的改进，在基本遗传算法的基础之上，加入了变异因子，产生变异，从而更快的收敛。
2021-11-28 20:22:08
258KB
1
改进后的CVRP问题的蚁群算法的实现代码
2021-11-25 17:02:51
52KB