智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab仿真代码
2018/3/7 15:11:16
847KB
1
智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab代码模型及运转结果
2018/7/6 11:27:45
1.08MB
1
HOMEREnergy公司的HOMERPro微电网软件是优化微电网设计的全球标准，适用于从乡村电力和岛屿公用事业到联网校园和军事基地的所有领域。
HOMER(多能源混合优化模型)最初由国家可再生能源实验室开发的，并由HOMEREnergy公司扩展功能和分销，它将三种强大的工具嵌套在一个软件产品中，使得工程和经济可以并行工作。
HOMER的核心是一个仿真模型。
它试图模仿一个可行的系统，为您希望考虑的所有可能提供设备组合。
根据您设置问题的方式，HOMER可以模仿数百甚至数千个系统。
HOMER模仿了混合微电网一整年的运行，时间步长从一分钟到一小时不等。
HOMER在一次运行中检查所有可能的系统类型组合，然后根据所选择的优化变量对系统进行排序。
HOMERPro采用了新优化算法，大大简化了为微电网或其他分布式发电系统确定最低成本选项的设计过程。
HOMEROptimizer是一种专有的“无衍生”优化算法，专门为在HOMER中工作而设计。
HOMER支持用户可以随意提出很多问题，因为您无法控制系统的所有方面，而且如果不运行数百或数千次模仿并比较结果，您就无法知道特定变量或选项的重要性。
HOMER(多能源混合优化模型)最初由国家可再生能源实验室开发的，并由HOMEREnergy公司扩展功能和分销，它将三种强大的工具嵌套在一个软件产品中，使得工程和经济可以并行工作。
HOMER的核心是一个仿真模型。
它试图模仿一个可行的系统，为您希望考虑的所有可能提供设备组合。
根据您设置问题的方式，HOMER可以模仿数百甚至数千个系统。
HOMER模仿了混合微电网一整年的运行，时间步长从一分钟到一小时不等。
HOMER在一次运行中检查所有可能的系统类型组合，然后根据所选择的优化变量对系统进行排序。
HOMERPro采用了新优化算法，大大简化了为微电网或其他分布式发电系统确定最低成本选项的设计过程。
HOMEROptimizer是一种专有的“无衍生”优化算法，专门为在HOMER中工作而设计。
HOMER支持用户可以随意提出很多问题，因为您无法控制系统的所有方面，而且如果不运行数百或数千次模仿并比较结果，您就无法知道特定变量或选项的重要性。
2020/9/24 14:26:34
197.91MB
1
文件中给出案例数据，列代表指标集（输入集x:1-7,输出集y:8）行代表数据集。
可以用于本科毕业论文或者硕士毕业论文，首先使用SPSS进行出成分分析，然后将主成分得分值作为输入集，输出集保持不变。
通过该算法文件就可以得到预测值，具体步骤可以参考《基于SVM和LS-SVM的住宅工程造价预测研究》。
本算法使用BP神经网络的误差函数作为GWO算法的适应度函数，通过BP神经网络连接权值和阈值的数量来决定GWO算法中灰狼的维数，那么GWO算法寻优的过程就是权值和阈值更新的过程。
因而，GWO算法寻优的过程替代了BP神经网络梯度下降的过程。
经过不断更新和迭代，最终确定出全局最优值，即灰狼α所处的位置。
本算法输出的权值和阈值即作为神经网络的权值和阈值，不在通过神经网络继续训练。
可以参考文献《基于粒子群优化算法的BP网络学习研究》。
可以用于本科毕业论文或者硕士毕业论文，首先使用SPSS进行出成分分析，然后将主成分得分值作为输入集，输出集保持不变。
通过该算法文件就可以得到预测值，具体步骤可以参考《基于SVM和LS-SVM的住宅工程造价预测研究》。
本算法使用BP神经网络的误差函数作为GWO算法的适应度函数，通过BP神经网络连接权值和阈值的数量来决定GWO算法中灰狼的维数，那么GWO算法寻优的过程就是权值和阈值更新的过程。
因而，GWO算法寻优的过程替代了BP神经网络梯度下降的过程。
经过不断更新和迭代，最终确定出全局最优值，即灰狼α所处的位置。
本算法输出的权值和阈值即作为神经网络的权值和阈值，不在通过神经网络继续训练。
可以参考文献《基于粒子群优化算法的BP网络学习研究》。
2019/11/18 17:14:58
13KB
1
个人辛苦编写的PSO粒子群优化算法python程序代码，将适应度值计算部分更换成自己要优化的内容，稍加调试即可运行。
粒子群优化算法(PSO：Particleswarmoptimization)是一种进化计算技术（evolutionarycomputation）。
源于对鸟群捕食的行为研究。
粒子群优化算法的基本思想：是通过群体中个体之间的协作和信息共享来寻找最优解。
PSO的优势：在于简单容易实现并且没有许多参数的调理。
目前已被广泛应用于函数优化、神经网络训练、模糊系统控制以及其他遗传算法的应用领域。
粒子群优化算法(PSO：Particleswarmoptimization)是一种进化计算技术（evolutionarycomputation）。
源于对鸟群捕食的行为研究。
粒子群优化算法的基本思想：是通过群体中个体之间的协作和信息共享来寻找最优解。
PSO的优势：在于简单容易实现并且没有许多参数的调理。
目前已被广泛应用于函数优化、神经网络训练、模糊系统控制以及其他遗传算法的应用领域。
2017/8/8 9:37:48
3KB
1
今天来学习变量优化问题。
寻找使成本函数最小的题解。
适用于题解相互独立的情况，设计随机优化算法、爬山法、模拟退火算法、遗传算法。
优化问题的的精髓是：1、将题解转化为数字序列化，可以写出题解范围。
2、成本函数能返回值问题场景：所有乘客从不同的地方飞到同一个目的地，服务人员等待所有人到来以后将人一次性接走。
离开时，服务人员将人一次性带到飞机场，所有乘客等待自己的航班离开。
要处理的问题：如何设置乘客的到来和离开航班，以及接送机的时间，使得总代价最小。
将题解设为数字序列。
数字表示某人乘坐的第几次航班，从0开始，例如[1,4,3,2,7,3,6,3,2]表示第1个人做第
寻找使成本函数最小的题解。
适用于题解相互独立的情况，设计随机优化算法、爬山法、模拟退火算法、遗传算法。
优化问题的的精髓是：1、将题解转化为数字序列化，可以写出题解范围。
2、成本函数能返回值问题场景：所有乘客从不同的地方飞到同一个目的地，服务人员等待所有人到来以后将人一次性接走。
离开时，服务人员将人一次性带到飞机场，所有乘客等待自己的航班离开。
要处理的问题：如何设置乘客的到来和离开航班，以及接送机的时间，使得总代价最小。
将题解设为数字序列。
数字表示某人乘坐的第几次航班，从0开始，例如[1,4,3,2,7,3,6,3,2]表示第1个人做第
2019/2/25 18:01:13
116KB
1
在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。
每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。
另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。
为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。
2024-04-09 15:03
15KB