一個LCD燈的小程序。不是我寫的。我只負責了調(diào)試。適用在ACEXEP1K30QC208-3上。我跑了SIMULATOR，管腳連接標示了。我也下在電路板上試過了，沒有問題。要用到實驗板上的兄弟們把CLK1改到TESTOUT3或者0就好了。綫幫助新手，人人有責。
上傳時間： 2015-04-10
上傳用戶：330402686
改進遺傳算法－郭濤算法做最優(yōu)化問題很管用,算法的基本思想是 先任意產(chǎn)生n個隨機數(shù)，然后從n個數(shù)里隨機選擇m個數(shù)，再有這m個 數(shù)合成一個新數(shù)，將這個新數(shù)同n個數(shù)中間適應值函數(shù)值的最差的比較， 如果好的話就取代最差的那個，如果它比最好的還要好的話，則把最好的 也取代。如果比最差的壞，則重新合成一個新數(shù)。依次循環(huán)下去。 程序的奇妙之處是GA_crossover()函數(shù)，產(chǎn)生的新數(shù)確實比較好，看看 那位大俠能改進一下，產(chǎn)生比這跟好的數(shù)。
上傳時間： 2015-04-10
上傳用戶：thuyenvinh
ADC的源程式，把51的正負極接至ADC，再將ADC.asm檔compile後，ACD便會產(chǎn)生將類比轉成數(shù)位訊號的效果
上傳時間： 2013-12-31
上傳用戶：569342831
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(nèi)部粒子隨溫升變?yōu)闊o序狀，內(nèi)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(tài)，最后在常溫時達到基態(tài)，內(nèi)能減為最小。根據(jù)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(nèi)能，ΔE為其改變量，k為Boltzmann常數(shù)。用固體退火模擬組合優(yōu)化問題，將內(nèi)能E模擬為目標函數(shù)值f，溫度T演化成控制參數(shù)t，即得到解組合優(yōu)化問題的模擬退火算法：由初始解i和控制參數(shù)初值t開始，對當前解重復“產(chǎn)生新解→計算目標函數(shù)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(yōu)解，這是基于蒙特卡羅迭代求解法的一種啟發(fā)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(shù)的初值t及其衰減因子Δt、每個t值時的迭代次數(shù)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(nèi)部粒子隨溫升變?yōu)闊o序狀，內(nèi)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(tài)，最后在常溫時達到基態(tài)，內(nèi)能減為最小。根據(jù)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(nèi)能，ΔE為其改變量，k為Boltzmann常數(shù)。用固體退火模擬組合優(yōu)化問題，將內(nèi)能E模擬為目標函數(shù)值f，溫度T演化成控制參數(shù)t，即得到解組合優(yōu)化問題的模擬退火算法：由初始解i和控制參數(shù)初值t開始，對當前解重復“產(chǎn)生新解→計算目標函數(shù)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(yōu)解，這是基于蒙特卡羅迭代求解法的一種啟發(fā)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(shù)的初值t及其衰減因子Δt、每個t值時的迭代次數(shù)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(nèi)部粒子隨溫升變?yōu)闊o序狀，內(nèi)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(tài)，最后在常溫時達到基態(tài)，內(nèi)能減為最小。根據(jù)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(nèi)能，ΔE為其改變量，k為Boltzmann常數(shù)。用固體退火模擬組合優(yōu)化問題，將內(nèi)能E模擬為目標函數(shù)值f，溫度T演化成控制參數(shù)t，即得到解組合優(yōu)化問題的模擬退火算法：由初始解i和控制參數(shù)初值t開始，對當前解重復“產(chǎn)生新解→計算目標函數(shù)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(yōu)解，這是基于蒙特卡羅迭代求解法的一種啟發(fā)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(shù)的初值t及其衰減因子Δt、每個t值時的迭代次數(shù)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
7種插值算法的c++代碼實現(xiàn)，1 拉格朗日插值(POLINT) 2 有理函數(shù)插值(RATINT) 3 三次樣條插值(SPLINE(二階導數(shù)值)->SPLINT(函數(shù)值)) 4 有序表的檢索法(LOCATE(二分法), HUNT(關聯(lián)法)) 5 插值多項式(POLCOE(n2), POLCOF(n3)) 6 二元拉格朗日插值(POLIN2) 7 雙三次樣條插值(SPLIE2)
上傳時間： 2015-05-09
上傳用戶：yph853211
5種函數(shù)逼近的c++代碼， 1 級數(shù)求和(EULSUM) 2 多項式和有理函數(shù)(DDPOLY(函數(shù)值), POLDIV(兩個多項式的商及余)) 3 切比雪夫逼近(CHEBFT->CHEBEV) 4 積分和導數(shù)的切比雪夫逼近(CHINT(不定積分), CHDER(導函數(shù))) 5 用切比雪夫逼近求函數(shù)的多項式逼近(CHEBPC, PCSHFT)
上傳時間： 2013-12-15
上傳用戶：水口鴻勝電器
提供一個人工免疫算法源程序，其算法過程包括： 1.設置各參數(shù) 2.隨機產(chǎn)生初始群體——pop=initpop(popsize,chromlength) 3.故障類型編碼，每一行為一種！code(1,:)，正常；code(2,:)，50％；code(3,:)，150％。實際故障測得數(shù)據(jù)編碼，這里Unnoralcode,188％ 4.開始迭代（M次）： 1）計算目標函數(shù)值：歐氏距離[objvalue]=calobjvalue(pop,i) 2）計算群體中每個個體的適應度fitvalue=calfitvalue(objvalue) 3）選擇newpop=selection(pop,fitvalue) objvalue=calobjvalue(newpop,i) ％ 交叉newpop=crossover(newpop,pc,k) objvalue=calobjvalue(newpop,i) ％ 變異newpop=mutation(newpop,pm) objvalue=calobjvalue(newpop,i) ％ 5.求出群體中適應值最大的個體及其適應值 6.迭代停止判斷。
上傳時間： 2014-01-01
上傳用戶：trepb001
c語言編譯器arm-gen.c asmtest.S bcheck.c boundtest.c c67-gen.c Changelog coff.h configure COPYING elf.h [examples] float.h gcctestsuite.sh i386-asm.c i386-asm.h i386-gen.c il-gen.c il-opcodes.h libtcc.h libtcc1.c libtcc_test.c Makefile README stab.def stab.h stdarg.h stdbool.h stddef.h tcc-doc.html tcc-doc.texi tcc.1 tcc.c tccasm.c tcccoff.c tccelf.c tcclib.h tccpe.c tcctest.c tcctok.h texi2pod.pl tiny_impdef.c TODO varargs.h VERSION
標簽： Changelog boundtest configure arm-gen
上傳時間： 2014-01-16
上傳用戶：拔絲土豆
