蟻群算法基本模型STEP1（外循環(huán)）若滿足算法停止規(guī)則，停止計(jì)算，輸出計(jì)算得到的最好解給定外循環(huán)的最大數(shù)目，表明有足夠的螞蟻工作當(dāng)前最優(yōu)解連續(xù)K次相同而停止，K是給定的整數(shù)，表示算法已收斂◆給定優(yōu)化問(wèn)題的下界和誤差值，當(dāng)算法得到的目標(biāo)值同下界之差小于給定的誤差值時(shí)，算法終止否則使螞蟻s（1≤s≤m）從起點(diǎn)出發(fā)，用L（S）表示螞蟻S行走的城市集合，初始L（s）為空集。設(shè)m只螞蟻在圖的相鄰節(jié)點(diǎn)間移動(dòng)，協(xié)作異步地得到解。螞蟻計(jì)算出下一步所有可達(dá)節(jié)點(diǎn)的一步轉(zhuǎn)移概率，并按此概率實(shí)現(xiàn)一步移動(dòng)，依此往復(fù)。一步轉(zhuǎn)移概率由圖中每條邊上的兩類(lèi)參數(shù)決定：信息素值、可見(jiàn)度（即先驗(yàn)值）。信息素的更新有2種方式：揮發(fā)——所有路徑上信息素以一定比率減少增強(qiáng)——給評(píng)價(jià)值“好”（有螞蟻?zhàn)哌^(guò)）的邊增加信息素蟻群算法基木模型令我們以求解平面上n個(gè)城市的TSP問(wèn)題（1，2，…，n）表示城市號(hào)為例說(shuō)明ACA的模型。n個(gè)城市的TSP問(wèn)題就是尋找通過(guò)n個(gè)城市各次且最后回到出發(fā)點(diǎn)的最短路徑蟻群算法研究現(xiàn)狀令A(yù)CA是模擬自然界中真實(shí)蟻群的覓食行為而形成的一種模擬進(jìn)化算法。10年多來(lái)的研究結(jié)果已經(jīng)表明：ACA用于組合優(yōu)化具有很強(qiáng)的發(fā)現(xiàn)較好解的能力，具有分布式計(jì)算易于與其他方法相結(jié)合、魯棒性強(qiáng)等優(yōu)點(diǎn)，在動(dòng)態(tài)環(huán)境下也表現(xiàn)出高度的靈活性和健壯性。在求解TSP、QAP問(wèn)題方面，與遺傳算法、模擬退火算法等算法比較，ACA仍是最好的解決方法之一。
標(biāo)簽： 螞蟻算法
上傳時(shí)間： 2022-03-10
上傳用戶：
近些年來(lái)，云計(jì)算與移動(dòng)云計(jì)算迅速發(fā)展，隨之而來(lái)出現(xiàn)的問(wèn)題是由于智能終端的數(shù)量和處理器計(jì)算能力能力的增加，越來(lái)越多的計(jì)算密集型應(yīng)用應(yīng)用被卸載到云端，這樣就給核心網(wǎng)絡(luò)造成很大的負(fù)載，從而不能滿足那些對(duì)延遲敏感的應(yīng)用，所以移動(dòng)邊緣計(jì)算就因此產(chǎn)生。它通過(guò)將計(jì)算、存儲(chǔ)等資源部署在網(wǎng)絡(luò)的邊緣，能快速地處理任務(wù)并傳輸。但是由于用戶終端的移動(dòng)性，需要考慮的一個(gè)很重要的問(wèn)題就是當(dāng)服務(wù)厥量受到位置影響時(shí)應(yīng)當(dāng)采取什么措施。合理的計(jì)算切換能夠很好地解決這個(gè)問(wèn)題。在移動(dòng)邊緣計(jì)算中，什么時(shí)候進(jìn)行計(jì)算切換以及切換到哪里是切換問(wèn)題的關(guān)鍵。本文研究了計(jì)算切換的具體過(guò)程、影響計(jì)算切換的因素及管理體系，提出了計(jì)算切換的管理框架。在考慮任務(wù)完成時(shí)間、移動(dòng)終端能耗和任務(wù)完成成本這些因素影響的基礎(chǔ)上并根據(jù)切換管理的框架和具體的判決準(zhǔn)則，提出了簡(jiǎn)單加權(quán)法、熵值法和基于理想解排序的這三種多屬性決策計(jì)算切換筧法。最后在實(shí)驗(yàn)部分對(duì)這三種多屬性決策計(jì)算切換算法進(jìn)行仿真實(shí)驗(yàn)，在根據(jù)實(shí)驗(yàn)結(jié)果對(duì)三種算法的性能進(jìn)行分析，然后再研究計(jì)算量與數(shù)據(jù)量變化對(duì)算法性能的影響。實(shí)驗(yàn)結(jié)果表明：采用多屬性切換決策的方法要優(yōu)于不切換和總是發(fā)生切換的決策，并且在多屬性決策的方法中，班想解排序的方法要優(yōu)于簡(jiǎn)單加權(quán)法和值法，并且任務(wù)的完成時(shí)間、移動(dòng)終端能耗、和任務(wù)的執(zhí)行成本隨著終端移動(dòng)速度的增大而有明顯減少，說(shuō)明基于閾值的判決準(zhǔn)則和多屬性切換決策算法適用于移動(dòng)邊緣計(jì)算中的計(jì)算切換。關(guān)鍵詞：移動(dòng)邊緣計(jì)算：計(jì)算切換：判決準(zhǔn)則；多屬性決策
標(biāo)簽： 移動(dòng)邊緣計(jì)算
上傳時(shí)間： 2022-03-11
上傳用戶：ttalli
文檔為MATLAB的一些使用算法參考書(shū)籍詳解文檔，是一份不錯(cuò)的參考資料，感興趣的可以下載看看，，，，，，，，，，，，，
標(biāo)簽： matlab
上傳時(shí)間： 2022-06-29
上傳用戶：
文檔為基于MATLAB遺傳算法工具箱的太陽(yáng)能電池最大功率點(diǎn)研究詳解文檔，是一份不錯(cuò)的參考資料，感興趣的可以下載看看，，，，，，，，，，，，，
標(biāo)簽： matlab
上傳時(shí)間： 2022-06-30
上傳用戶：
文檔為基于MATLAB遺傳算法工具箱的控制系統(tǒng)設(shè)計(jì)仿真詳解文檔，是一份不錯(cuò)的參考資料，感興趣的可以下載看看，，，，，，，，，，，，，
標(biāo)簽： matlab
上傳時(shí)間： 2022-06-30
上傳用戶：
前言說(shuō)明控制的方法遠(yuǎn)遠(yuǎn)不止PID這一招，在許多場(chǎng)合也未必是最佳的控制算法。對(duì)于學(xué)習(xí)能力較好的師弟也可以再去尋求一種更優(yōu)秀的控制算法。PID的分類(lèi)多如牛毛，例如：模糊PlD、數(shù)字PID、神經(jīng)元PID等等。另外，本文檔是參考幾十個(gè)PID相關(guān)文檔資料整合而成。由于個(gè)人能力等原因，從策劃、編輯、排版等花了一個(gè)多月的時(shí)間才完成此次PlD法的整合。為了更有針對(duì)性和有效性，本文檔主要講解數(shù)字PID及其變種（改進(jìn)式PID）：位置式和增量式。以及這兩種PID的C語(yǔ)言編程實(shí)現(xiàn)、參數(shù)的調(diào)整確定和PID控制的應(yīng)用。我們?yōu)槭裁匆肞ID岸法呢？原國(guó)很商單：其一，PlD是一種比較成熟的控制算法，而且還有許多基于PID的變種算法（簡(jiǎn)稱(chēng)改進(jìn)式PID）。其二，資杜多，學(xué)習(xí)難度路低，入門(mén)快。其三，多屆師兄實(shí)踐過(guò)，感覺(jué)效果還不錯(cuò)！但每年資料成指數(shù)增長(zhǎng)，從上屆師兄那搭貝了好幾G資料，進(jìn)PID控制的文檔可以夸張的說(shuō)跟天上的“星星”一樣，看了之后眼花繚亂，而且有很多重復(fù)的。為了讓更多人能快速上手使用PID控制算法，結(jié)合個(gè)人經(jīng)驗(yàn)和相關(guān)文檔將它濃縮如下：
標(biāo)簽： pid算法
上傳時(shí)間： 2022-07-01
上傳用戶：
C語(yǔ)言百列精解程序，讓你了解C的各類(lèi)算法運(yùn)用
標(biāo)簽： C語(yǔ)言
上傳時(shí)間： 2022-07-04
上傳用戶：
《現(xiàn)代通信系統(tǒng)盲處理技術(shù)新進(jìn)展---基于智能算法》主要由以下8章組成： 第1章簡(jiǎn)要介紹無(wú)線通信系統(tǒng)的結(jié)構(gòu)和發(fā)展概況，以及其盲處理算法的相關(guān)知識(shí)。第2章介紹人工神經(jīng)網(wǎng)絡(luò)及相應(yīng)知識(shí)，從BP神經(jīng)網(wǎng)絡(luò)若手研究盲處理問(wèn)題,同時(shí)給出復(fù)數(shù)域BP神經(jīng)網(wǎng)絡(luò)的信號(hào)盲處理方法和該類(lèi)方法的優(yōu)缺點(diǎn)說(shuō)明。在第3章中介紹智能體的概念，并給出基于多智能體系統(tǒng)的盲處理方法。第4章介紹基于支持向量機(jī)框架下的盲處理算法，介紹支持向批機(jī)的原理，給出基于ε- 支持向量回歸機(jī)的信道估計(jì)新方法，并介紹基千支持向批回歸方法的MPSK和QAM的盲信號(hào)處理方法，然后引入星座匹配誤差函數(shù)，并根據(jù)線性支持向攪回歸和有序風(fēng)險(xiǎn)最小化原則，由恒模和星座匹配誤差函數(shù)聯(lián)合組成的新經(jīng)驗(yàn)風(fēng)險(xiǎn)項(xiàng)構(gòu)造一個(gè)新的代價(jià)函數(shù)，進(jìn)而通過(guò)迭代求解優(yōu)化問(wèn)題獲得均衡器。第5章介紹神經(jīng)動(dòng)力學(xué)和反饋神經(jīng)網(wǎng)絡(luò)的相關(guān)知識(shí)，特別地從神經(jīng)動(dòng)力學(xué)角度論述連續(xù)反饋神經(jīng)網(wǎng)絡(luò)可有效飛作的原因，論述反饋神經(jīng)網(wǎng)絡(luò)權(quán)值矩陣對(duì)吸引子和相軌跡的影響。并給出如何根據(jù)系統(tǒng)接收信號(hào)與發(fā)送信號(hào)之間的子空間關(guān)系，構(gòu)造一個(gè)適用于現(xiàn)代通信系統(tǒng)中的盲檢測(cè)的特定性能函數(shù)和優(yōu)化問(wèn)題。第6章分別展示如何基于連續(xù)多閾值神經(jīng)元Hopfield網(wǎng)絡(luò)模型實(shí)現(xiàn)通信信號(hào)盲處理的理論和方法，針對(duì)多相制信號(hào)的特點(diǎn)給出兩種連續(xù)相位多闕值激勵(lì)函數(shù)形式，并分析討論該兩類(lèi)激勵(lì)函數(shù)參數(shù)的選擇、分別給出連續(xù)多閾值神經(jīng)元 Hopfield 網(wǎng)絡(luò)工作于同步和異步模式下的新能隊(duì)函數(shù)及其相關(guān)證明。介紹采用幅相連續(xù)激勵(lì)法解決稀疏QAM 信號(hào)的盲檢測(cè)思路，并針對(duì) QAM 信號(hào)的特點(diǎn)，分別給出連續(xù)幅度和相位多闕值激勵(lì)函數(shù)形式，分析討論該類(lèi)激勵(lì)函數(shù)的特點(diǎn)。第7章則電在從另一個(gè)角度提出采用同相正交振幅連續(xù)激勵(lì)法解決密集QAM信號(hào)盲檢測(cè)方法。介紹如何從激勵(lì)函數(shù)角度分析放大因子選擇的范圍；給出該特定問(wèn)題的同步和異步運(yùn)行模式下的新能量函數(shù)形式；并證明和分析所設(shè)計(jì)的能量函數(shù)部分定理；介紹在基于反饋神經(jīng)網(wǎng)絡(luò)的信號(hào)盲處理方法這一研究課題中發(fā)現(xiàn)的幾類(lèi)現(xiàn)象，包括當(dāng)信號(hào)的統(tǒng)計(jì)信息缺失或失真情況下，連續(xù)多閾值神經(jīng)元反饋神經(jīng)網(wǎng)絡(luò)的盲檢測(cè)能力：通用高階QMA的激勵(lì)函數(shù)被使用作為低階QAM信號(hào)盲檢測(cè)問(wèn)題時(shí)的適用性......
標(biāo)簽： 無(wú)線通信系統(tǒng) 智能算法
上傳時(shí)間： 2022-07-09
上傳用戶：
高度數(shù)據(jù)的準(zhǔn)確獲取是飛控系統(tǒng)研制過(guò)程中極其重要的一環(huán)，是保證無(wú)人飛行器按照一定高程工作、平穩(wěn)著陸的先決條件。但對(duì)于低成本慣性導(dǎo)航解算，位置漂移嚴(yán)重[]，雖可通過(guò)加速度計(jì)姿態(tài)校正來(lái)抑制部分漂移，但解算出的速度與位置仍然不準(zhǔn)確。因此需利用除慣導(dǎo)外的其它傳感器測(cè)量值作為位置觀測(cè)量參與濾波，在抑制位置漂移的情況下，修正速度與加速度，提高高程數(shù)據(jù)的精度。目前文獻(xiàn)中大多是將慣性導(dǎo)航作為一個(gè)整體，對(duì)慣導(dǎo)的三維位置及速度進(jìn)行濾波。如SINS/GPS組合導(dǎo)航，通過(guò)組合導(dǎo)航對(duì)SINS速度及位置漂移進(jìn)行抑制[2][3]。但是當(dāng)只需要高度方向上的數(shù)據(jù)時(shí)，此種做法往往計(jì)算量大，步驟繁瑣，且整體濾波兼顧經(jīng)度、緯度、高程等多個(gè)因素，反而影響了高度方向的濾波效果，且當(dāng)SINS/GPS組合導(dǎo)航中的GPS信號(hào)較差時(shí)，得到的高度觀測(cè)量誤差也大。可見(jiàn)，當(dāng)單一的高度傳感器觀測(cè)數(shù)據(jù)出現(xiàn)異常時(shí)，濾波后的高度也會(huì)出現(xiàn)異常。針對(duì)單傳感器無(wú)法適應(yīng)復(fù)雜工作環(huán)境的缺點(diǎn)，本文結(jié)合GPS、氣壓計(jì)及慣導(dǎo)系統(tǒng)的優(yōu)點(diǎn)，來(lái)抑制慣導(dǎo)高度方向上的發(fā)散。通過(guò)構(gòu)建GPS與氣壓計(jì)數(shù)據(jù)的權(quán)重模型獲得高度方向觀測(cè)量，使用互補(bǔ)濾波算法融合慣導(dǎo)數(shù)據(jù)與求得的觀測(cè)量得到更為精確的高度觀測(cè)值。算法簡(jiǎn)易，魯棒性好，可在嵌入式飛控板中實(shí)時(shí)運(yùn)行。
上傳時(shí)間： 2022-07-16
上傳用戶：
本書(shū)全面而系統(tǒng)地介紹了 MATLAB 算法和案例應(yīng)用，涉及面廣，從基本操作到高級(jí)算法應(yīng)用，幾乎 涵蓋 MATLAB 算法的所有重要知識(shí)。本書(shū)結(jié)合算法理論和流程，通過(guò)大量案例，詳解算法代碼，解決具 體的工程案例，讓讀者更加深入地學(xué)習(xí)和掌握各種算法在不同案例中的應(yīng)用。 本書(shū)共 32 章。涵蓋的內(nèi)容有 MATLAB 基礎(chǔ)知識(shí)、GUI 應(yīng)用及數(shù)值分析、MATALB 工程應(yīng)用實(shí)例、 GM 應(yīng)用分析、PLS 應(yīng)用分析、ES 應(yīng)用分析、MARKOV 應(yīng)用分析、AHP 應(yīng)用分析、DWRR 應(yīng)用分析、 模糊逼近算法、模糊 RBF 網(wǎng)絡(luò)、基于 FCEM 的 TRIZ 評(píng)價(jià)、基于 PSO 的尋優(yōu)計(jì)算、基于 PSO 的機(jī)構(gòu)優(yōu) 化、基本 PSO 的改進(jìn)策略、基于 GA 的尋優(yōu)計(jì)算、基于 GA 的 TSP 求解、基于 Hopfield 的 TSP 求解、基 于 ACO 的 TSP 求解、基于 SA 的 PSO 算法、基于 kalman 的 PID 控制、基于 SOA 的尋優(yōu)計(jì)算、基于 Bayes 的數(shù)據(jù)預(yù)測(cè)、基于 SOA 的 PID 參數(shù)整定、基于 BP 的人臉?lè)较蝾A(yù)測(cè)、基于 Hopfield 的數(shù)字識(shí)別、基于 DEA 的投入產(chǎn)出分析、基于 BP 的數(shù)據(jù)分類(lèi)、基于 SOM 的數(shù)據(jù)分類(lèi)、基于人工免疫 PSO 的聚類(lèi)算法、 模糊聚類(lèi)分析和基于 GA_BP 的抗糖化活性研究。 本書(shū)適合所有想全面學(xué)習(xí) MATALB 優(yōu)化算法的人員閱讀，也適合各種使用 MATALB 進(jìn)行開(kāi)發(fā)的工 程技術(shù)人員閱讀。對(duì)于相關(guān)高校的教學(xué)與研究，本書(shū)也是不可或缺的參考書(shū)。另外，對(duì)于 MATLAB 愛(ài)好 者，本書(shū)也對(duì)網(wǎng)絡(luò)上討論的大部分疑難問(wèn)題給出了解答，值得一讀。
上傳時(shí)間： 2022-07-26
上傳用戶：
蟲(chóng)蟲(chóng)下載站版權(quán)所有 京ICP備2021023401號(hào)-1
