搜索资源列表
K－均值聚类算法C++编程
- K-均值聚类算法的编程实现。包括逐点聚类和批处理聚类。K－均值聚类的的时间复杂度是n*k*m，其中n为样本数，k为类别数，m为样本维数。这个时间复杂度是相当客观的。因为如果用每秒10亿次的计算机对50个样本采用穷举法分两类，寻找最优，列举一遍约66.7天，分成3类，则要约3500万年。针对算法局部最优的缺点，本人正在编制模拟退火程序进行改进。希望及早奉给大家，倾听高手教诲。-K-means clustering algorithm pr
以K－均值聚类结果为初始解的模拟退火聚类
- 由于K－均值聚类算法局部最优的特点，而模拟退火算法理论上具有全局最优的特点。因此，用模拟退火算法对聚类进行了改进。20组聚类仿真表明，平均每次对K结果值改进8次左右，效果显著。下一步工作：实际上在高温区随机生成邻域是个组合爆炸问题（见本人上载软件‘k－均值聚类算法’所述），高温跳出局部解的概率几乎为0，因此正考虑采用凸包约束进行模拟聚类，相关工作正在进行。很快将奉献给各位朋友。-as K-means clustering algorit
K－均值聚类算法C++编程
- K-均值聚类算法的编程实现。包括逐点聚类和批处理聚类。K－均值聚类的的时间复杂度是n*k*m，其中n为样本数，k为类别数，m为样本维数。这个时间复杂度是相当客观的。因为如果用每秒10亿次的计算机对50个样本采用穷举法分两类，寻找最优，列举一遍约66.7天，分成3类，则要约3500万年。针对算法局部最优的缺点，本人正在编制模拟退火程序进行改进。希望及早奉给大家，倾听高手教诲。-K-means clustering algorithm pr
以K－均值聚类结果为初始解的模拟退火聚类
- 由于K－均值聚类算法局部最优的特点，而模拟退火算法理论上具有全局最优的特点。因此，用模拟退火算法对聚类进行了改进。20组聚类仿真表明，平均每次对K结果值改进8次左右，效果显著。下一步工作：实际上在高温区随机生成邻域是个组合爆炸问题（见本人上载软件‘k－均值聚类算法’所述），高温跳出局部解的概率几乎为0，因此正考虑采用凸包约束进行模拟聚类，相关工作正在进行。很快将奉献给各位朋友。-as K-means clustering algorit
BPexample
- 开发环境:Matlab 简要说明:动量-自适应学习调整算法。在实际应用中，原始的BP算法很难胜任，因此出现了很多的改进算法。BP算法的改进主要有两种途径，一种是采用启发式学习方法，另一种则是采用更有效的优化算法。本例采用动量BP算法，来实现对网络的训练过程，动量法降低了网络对于误差曲面局部细节的敏感性，有效地抑制网络陷于局部极小。-development environment : Matlab Brief Descr iption
bpm_train
- 人工神经网络系统的训练 TRAIN BP算法存在局部极小点，收敛速度慢等缺点，改进的BP算法。-Artificial neural network training algorithm TRAINBP local minimum points, such as the shortcomings of slow convergence, improved BP algorithm.
geneticalgorithmandsimulatedannealingalgorithm
- 建立了多约束条件车辆路径问题的数学模型和求解流程先采用最近插入法生成初始解然后基于遗传算法和模拟退火算法改进初始解-The establishment of a multi-vehicle routing problem with constraint model and solution process first insertion generated by the recent initial solution and based
Rectangle
- 矩形件优化排样是一个NPC问题，在工业界有着广泛的应用．针对该问题，提出一种自适应模拟退火遗传算法．采用一种基于环形交叉算子和环形变异算子的自适应遗传算法来自动调整交叉和变异概率；同时引入模拟退火算法对个体适应度大于平均适应度的个体进行退火处理．自适应模拟退火遗传算法充分发挥了自适应遗传算法与模拟退火算法各自的全局搜索能力与局部搜索能力．对比实验表明，该算法结合改进的最左最下布局算法解决矩形件优化排样问题更加有效．-Optimal la