<track id="yuuzx"></track> 針對無線傳感器網絡的節點能量有限，且在進行信息傳輸時存在數據沖突、傳輸延時等問題，提出并設計了基于最大生存周期的無線傳感器網絡數據融合算法。該算法將整個網絡中的節點分成多個簇，并根據節點的傳輸范圍，將每個簇中的節點均勻分布，每個節點根據自己的本地信息和剩余能量選擇通信方式向簇頭節點傳輸數據，從而形成傳輸數據的最短路徑；并根據集中式TDMA（時分多址）調度模型，運用基于微粒群的Pareto優化方法，使得網絡在完成規定的信息傳輸時每個節點耗費的平均時隙和平均能耗最優。仿真結果表明，上述算法不但可以最大化網絡的生存時間，還可以有效的降低數據融合時間，減少網絡延時。
上傳時間： 2014-12-29
上傳用戶：看到了沒有
提出一種基于自適應混沌粒子群優化和支持向量機結合的非線性預測建模算法（ACPSO-SVR），引入ACPSO啟發式尋優機制對SVR模型的超參數進行自動選取，在超參數取值范圍變化較大的情況下，效果明顯優于網格式搜索算法。選取UCI機器學習數據庫中的Forest fires標準數據集進行測試，實驗結果表明該方法具有較高的精度和良好的泛化能力，對于解決多變量的回歸預測問題是一種有效的方法。最后給出了混合算法在碳一多相催化領域的兩種典型應用，在反應動力學模型未知的情況下建立催化劑組份模型和操作條件模型，以及基于混合算法的最優催化劑設計框架。
上傳時間： 2013-10-23
上傳用戶：alibabamama
ADT BinaryTree 的實現及驗證程序采用的主要數據結構：二叉樹、棧、隊算法思想：1、 先序建樹、輸出樹、后序遍歷用遞歸方法。性能分析：O( n )2、 先序遍歷、中序遍歷：性能分析：O( n )(1) 若遇到新節點非空則先入棧，然后訪問其左子樹。(2) 若為空則將棧頂結點出棧，訪問其右子樹。(3) 循環1、2直到棧為空且無節點可入棧。先序與中序的區別是：先序在入棧時訪問節點，中序在出棧時訪問節點。3、 層遍歷：性能分析：O( n )(1) 根節點入隊(2) 節點出隊并訪問(3) 若節點有左孩子，則左孩子入隊；有右孩子，則右孩子入隊。(4) 重復2、3直到隊列為空。4、 線索樹：算法與先序遍歷、中序遍歷一樣，只是將訪問節點的Visit函數改為連接前驅與后繼的操作。性能分析：O(
標簽： BinaryTree ADT 性能分析 樹
上傳時間： 2014-12-20
上傳用戶：SimonQQ
基于MATLAB的微粒群工具箱，算法模型中引入收縮因子，收斂速度有所提高，但對高維函數的優化效果仍然不理想。
上傳時間： 2014-12-07
上傳用戶：qiao8960
圖像壓縮的MATLAB算法之JEPG，完整的例程，參改價值高。
上傳時間： 2013-12-21
上傳用戶：13188549192
簡單好用的AES算法，提供基本的對文件的加密、解密和數據塊的加密、解密，目前的版本是靜態庫，很容易改做成動態庫，亦可輕松移植到Linux平臺，已測試過跟Java等其他標準AES加密庫成功對接（可相互加、解密）。
上傳時間： 2015-04-13
上傳用戶：silenthink
模擬退火算法來源于固體退火原理，將固體加溫至充分高，再讓其徐徐冷卻，加溫時，固體內部粒子隨溫升變為無序狀，內能增大，而徐徐冷卻時粒子漸趨有序，在每個溫度都達到平衡態，最后在常溫時達到基態，內能減為最小。根據Metropolis準則，粒子在溫度T時趨于平衡的概率為e-ΔE/(kT)，其中E為溫度T時的內能，ΔE為其改變量，k為Boltzmann常數。用固體退火模擬組合優化問題，將內能E模擬為目標函數值f，溫度T演化成控制參數t，即得到解組合優化問題的模擬退火算法：由初始解i和控制參數初值t開始，對當前解重復“產生新解→計算目標函數差→接受或舍棄”的迭代，并逐步衰減t值，算法終止時的當前解即為所得近似最優解，這是基于蒙特卡羅迭代求解法的一種啟發式隨機搜索過程。退火過程由冷卻進度表(Cooling Schedule)控制，包括控制參數的初值t及其衰減因子Δt、每個t值時的迭代次數L和停止條件S。
標簽： 模擬退火算法
上傳時間： 2015-04-24
上傳用戶：R50974
模擬退火算法來源于固體退火原理，將固體加溫至充分高，再讓其徐徐冷卻，加溫時，固體內部粒子隨溫升變為無序狀，內能增大，而徐徐冷卻時粒子漸趨有序，在每個溫度都達到平衡態，最后在常溫時達到基態，內能減為最小。根據Metropolis準則，粒子在溫度T時趨于平衡的概率為e-ΔE/(kT)，其中E為溫度T時的內能，ΔE為其改變量，k為Boltzmann常數。用固體退火模擬組合優化問題，將內能E模擬為目標函數值f，溫度T演化成控制參數t，即得到解組合優化問題的模擬退火算法：由初始解i和控制參數初值t開始，對當前解重復“產生新解→計算目標函數差→接受或舍棄”的迭代，并逐步衰減t值，算法終止時的當前解即為所得近似最優解，這是基于蒙特卡羅迭代求解法的一種啟發式隨機搜索過程。退火過程由冷卻進度表(Cooling Schedule)控制，包括控制參數的初值t及其衰減因子Δt、每個t值時的迭代次數L和停止條件S。
標簽： 模擬退火算法
上傳時間： 2015-04-24
上傳用戶：ryb
模擬退火算法來源于固體退火原理，將固體加溫至充分高，再讓其徐徐冷卻，加溫時，固體內部粒子隨溫升變為無序狀，內能增大，而徐徐冷卻時粒子漸趨有序，在每個溫度都達到平衡態，最后在常溫時達到基態，內能減為最小。根據Metropolis準則，粒子在溫度T時趨于平衡的概率為e-ΔE/(kT)，其中E為溫度T時的內能，ΔE為其改變量，k為Boltzmann常數。用固體退火模擬組合優化問題，將內能E模擬為目標函數值f，溫度T演化成控制參數t，即得到解組合優化問題的模擬退火算法：由初始解i和控制參數初值t開始，對當前解重復“產生新解→計算目標函數差→接受或舍棄”的迭代，并逐步衰減t值，算法終止時的當前解即為所得近似最優解，這是基于蒙特卡羅迭代求解法的一種啟發式隨機搜索過程。退火過程由冷卻進度表(Cooling Schedule)控制，包括控制參數的初值t及其衰減因子Δt、每個t值時的迭代次數L和停止條件S。
標簽： 模擬退火算法
上傳時間： 2014-12-19
上傳用戶：TRIFCT
本例是用md5做為數據校驗的算法防止自己的程序被篡改的小例子。有些可執行程序，當被改了資源時再運行會有文件已損壞的提示，這就是使用了數據校驗。當然你可以使用個性化的,比如des作為數字簽名，那樣安全性更高。具體請見代碼及注釋.
上傳時間： 2015-04-27
上傳用戶：tedo811
