批處理感知器算法的代碼matlab w1=[1,0.1,1.1;1,6.8,7.1;1,-3.5,-4.1;1,2.0,2.7;1,4.1,2.8;1,3.1,5.0;1,-0.8,-1.3; 1,0.9,1.2;1,5.0,6.4;1,3.9,4.0]; w2=[1,7.1,4.2;1,-1.4,-4.3;1,4.5,0.0;1,6.3,1.6;1,4.2,1.9;1,1.4,-3.2;1,2.4,-4.0; 1,2.5,-6.1;1,8.4,3.7;1,4.1,-2.2]; w3=[1,-3.0,-2.9;1,0.5,8.7;1,2.9,2.1;1,-0.1,5.2;1,-4.0,2.2;1,-1.3,3.7;1,-3.4,6.2; 1,-4.1,3.4;1,-5.1,1.6;1,1.9,5.1]; figure; plot(w3(:,2),w3(:,3),'ro'); hold on; plot(w2(:,2),w2(:,3),'b+'); W=[w2;-w3];%增廣樣本規范化 a=[0,0,0]; k=0;%記錄步數 n=1; y=zeros(size(W,2),1);%記錄錯分的樣本 while any(y<=0) k=k+1; y=a*transpose(W);%記錄錯分的樣本 a=a+sum(W(find(y<=0),:));%更新a if k >= 250 break end end if k<250 disp(['a為：',num2str(a)]) disp(['k為：',num2str(k)]) else disp(['在250步以內沒有收斂，終止']) end %判決面：x2=-a2*x1/a3-a1/a3 xmin=min(min(w1(:,2)),min(w2(:,2))); xmax=max(max(w1(:,2)),max(w2(:,2))); x=xmin-1:xmax+1;%(xmax-xmin): y=-a(2)*x/a(3)-a(1)/a(3); plot(x,y)
上傳時間： 2016-11-07
上傳用戶：a1241314660
取各障礙物頂點連線的中點為路徑點，相互連接各路徑點，將機器人移動的起點和終點限制在各路徑點上，利用最短路徑算法來求網絡圖的最短路徑，找到從起點P1到終點Pn的最短路徑。上述算法使用了連接線中點的條件，因此不是整個規劃空間的最優路徑，然后利用遺傳算法對找到的最短路徑各個路徑點Pi (i=1,2,…n)調整，讓各路徑點在相應障礙物端點連線上滑動，利用Pi= Pi1+ti×(Pi2-Pi1)（ti∈[0,1] i=1,2,…n）即可確定相應的Pi，即為新的路徑點，連接此路徑點為最優路徑。
上傳時間： 2017-05-05
上傳用戶：tttt123
K-Means算法是最古老也是應用最廣泛的聚類算法，它使用質心定義原型，質心是一組點的均值，通常該算法用于n維連續空間中的對象。 K-Means算法流程 step1：選擇K個點作為初始質心 step2：repeat 將每個點指派到最近的質心，形成K個簇 重新計算每個簇的質心 until 質心不在變化 例如下圖的樣本集，初始選擇是三個質心比較集中，但是迭代3次之后，質心趨于穩定，并將樣本集分為3部分 我們對每一個步驟都進行分析 step1：選擇K個點作為初始質心 這一步首先要知道K的值，也就是說K是手動設置的，而不是像EM算法那樣自動聚類成n個簇 其次，如何選擇初始質心 最簡單的方式無異于，隨機選取質心了，然后多次運行，取效果最好的那個結果。這個方法，簡單但不見得有效，有很大的可能是得到局部最優。 另一種復雜的方式是，隨機選取一個質心，然后計算離這個質心最遠的樣本點，對于每個后繼質心都選取已經選取過的質心的最遠點。使用這種方式，可以確保質心是隨機的，并且是散開的。 step2：repeat 將每個點指派到最近的質心，形成K個簇 重新計算每個簇的質心 until 質心不在變化 如何定義最近的概念，對于歐式空間中的點，可以使用歐式空間，對于文檔可以用余弦相似性等等。對于給定的數據，可能適應與多種合適的鄰近性度量。
上傳時間： 2018-11-27
上傳用戶：1159474180
在一個圓形操場的四周擺放著n堆石子。現要將石子有次序地合并成一堆。規定每次只能選相鄰的2堆石子合并成新的一堆，并將新的一堆石子數記為該次合并的得分。試設計一個算法，計算出將n堆石子合并成一堆的最小得分和最大得分，并分析算法的計算復雜性。
標簽： 合并
上傳時間： 2018-12-20
上傳用戶：969895392
設有n=2k個運動員要進行網球循環賽。現要設計一個滿足以下要求的比賽日程表：⑴每個選手必須與其他n-1個選手各賽一次；⑵每個選手一天只能賽一次；⑶循環賽一共進行n-1天。按此要求可將比賽日程表設計－成有n行和n-l列的一個表。在表中第i行和第j列處填入第i個選手在第j天所遇到的選手。用分治法編寫為該循環賽設計一張比賽日程表的算法并運行實現、對復雜度進行分析。
上傳時間： 2019-06-04
上傳用戶：594551562
%========================開始提取加噪信號的各類特征值================================ for n=1:1:50; m=n*Ns; x=(n-1)*Ns; for i=x+1:m; %提取加噪信號'signal_with_noise=y+noise'的前256個元素，抽取50次 y0(i)=signal_with_noise(i); end Y=fft(y0); %對調制信號進行快速傅里葉算法（離散） y1=hilbert(y0) ; %調制信號實部的解析式 factor=0; %開始求零中心歸一化瞬時幅度譜密度的最大值gamma_max for i=x+1:m; factor=factor+y0(i); end ms=factor/(m-x); an_i=y0./ms; acn_i=an_i-1; end gamma_max=max(fft(acn_i.*acn_i))/Ns
上傳時間： 2020-04-07
上傳用戶：如拷貝般復制
%========================開始提取加噪信號的各類特征值================================ for n=1:1:50; m=n*Ns; x=(n-1)*Ns; for i=x+1:m; %提取加噪信號'signal_with_noise=y+noise'的前256個元素，抽取50次 y0(i)=signal_with_noise(i); end Y=fft(y0); %對調制信號進行快速傅里葉算法（離散） y1=hilbert(y0) ; %調制信號實部的解析式 factor=0; %開始求零中心歸一化瞬時幅度譜密度的最大值gamma_max for i=x+1:m; factor=factor+y0(i); end ms=factor/(m-x); an_i=y0./ms; acn_i=an_i-1; end gamma_max=max(fft(acn_i.*acn_i))/Ns
上傳時間： 2020-04-07
上傳用戶：如拷貝般復制
蟻群算法基本模型STEP1（外循環）若滿足算法停止規則，停止計算，輸出計算得到的最好解給定外循環的最大數目，表明有足夠的螞蟻工作當前最優解連續K次相同而停止，K是給定的整數，表示算法已收斂◆給定優化問題的下界和誤差值，當算法得到的目標值同下界之差小于給定的誤差值時，算法終止否則使螞蟻s（1≤s≤m）從起點出發，用L（S）表示螞蟻S行走的城市集合，初始L（s）為空集。設m只螞蟻在圖的相鄰節點間移動，協作異步地得到解。螞蟻計算出下一步所有可達節點的一步轉移概率，并按此概率實現一步移動，依此往復。一步轉移概率由圖中每條邊上的兩類參數決定：信息素值、可見度（即先驗值）。信息素的更新有2種方式：揮發——所有路徑上信息素以一定比率減少增強——給評價值“好”（有螞蟻走過）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個城市的TSP問題（1，2，…，n）表示城市號為例說明ACA的模型。n個城市的TSP問題就是尋找通過n個城市各次且最后回到出發點的最短路徑蟻群算法研究現狀令ACA是模擬自然界中真實蟻群的覓食行為而形成的一種模擬進化算法。10年多來的研究結果已經表明：ACA用于組合優化具有很強的發現較好解的能力，具有分布式計算易于與其他方法相結合、魯棒性強等優點，在動態環境下也表現出高度的靈活性和健壯性。在求解TSP、QAP問題方面，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。
標簽： 螞蟻算法
上傳時間： 2022-03-10
上傳用戶：
移動機器人路徑規劃尤其是未知環境下機器人路徑規劃是機器人技術中的一個重要研究領域，得到了很多研究者的關注，并取得了一系列重要成果。目前已存在許多用來解決該問題的優化算法，但是此類問題屬于N-Hard問題，尋求更佳的算法就成為該領域的一個研究熱點。為此，根據機器人路徑規劃算法的研究現狀和向智能化，仿生化發展的趨勢，研究了一種基于圖的機器人路徑規劃螞蟻優化算法。算法首先用柵格法對機器人的工作空間進行建模，并用一個狀態矩陣表示其狀態，由此構造出一個連通圖，由一組螞蟻在圖上模擬螞蟻的覓食行為，從而得到避碰的優化路徑。最后，借鑒分枝隨機過程和生滅過程的理論知識，用概率的方法從理論上對該算法的收斂性進行了分析，在此基礎上，結合計算機仿真結果，證實了本文提出的算法的有效性和收斂性。迄今為止，對于未知環境下機器人路徑規劃，人們已經探索出了許多有效的求解方法諸如虛擬力場法、基于學習或Q學習的規劃方法、滾動窗口規劃方法、非啟發式方法及各類定位、導航方法等等。近年來，不少學者用改進的遺傳算法、神經網絡、隨機樹、蟻群算法等方法對未知環境下機器人路徑進行了規劃機器人路徑規劃算法向智能化、仿生化發展是一個明顯的趨勢.由于已有算法不同程度的存在一定局限性，諸如搜索空間大、算法復雜、效率不高等，尤其對于未知環境，不少路徑規劃算法的復雜度較高，甚至無法求解，根據日前的研究現狀和不足，本文提出了一種用于解決未知環境下機器人路徑規劃的基于圖的螞蟻算法，理論分析和實驗結果都證明了本文算法的有效性和收斂性本課題研究的主要內容本文在用概格法對機器人的工作空間進行建模的基礎上，用一個狀態矩陣表示其狀態，由此構造一個連通圖，由一組螞蚊在圖上模擬螞蟻的覓食行為，從而得到避碰的優化路徑并借鑒分枝隨機過程和生滅過程的理論知識用概率的方法從理論上對該算法的收斂性進行了分析，結合計算機仿真，證明了本文算法的有效性和收斂性
上傳時間： 2022-03-10
上傳用戶：kingwide
不多說，算法必備的書籍，N多大牛推薦過的，程序員必看，一本可以以輕松心情閱讀的算法書籍。
標簽： 算法圖解
上傳時間： 2022-06-21
上傳用戶：
