完全图哈密尔顿圈的遗传模拟退火算法matlab通用源程序

isomap等规度映射，特征提取，机器学习-Isotacticity isomap mapping, feature extraction, machine learning

bp神经网络在人口预测上的应用，可以根据前几年的人口数值预测出以后的人口数值-bp neural network prediction in the population on the application, based on previous years, the population of numerical prediction of the future value of the population

很好的BP算法 很完整 神经网络 用于图像处理-BP

标准遗传算法程序，包含详细的问题描述，如果想和大家讨论的话。

Boltzmann Machine Optimization 人工智能人工神经网络源码-Boltzmann Machine Optimization of artificial neural network artificial intelligence source

神经网络BP算法-neural network algorithm

在自然界中生物从其亲代继承特性或性状，这种现象称为遗传（Heredity），研究这种现象的科学叫遗传学（Genetics）。 在构成生物的细胞（Cell）中含有染色体（Chromosome），生物的遗传信息都包含在染色体中。遗传信息由基因（Gene）组成，基因是DNA（Deoxyribonucleic Acid）或RNA（Ribonucleic Acid）中占有一定位置的基本遗传单位。在DNA中遗传信息在长链上按照一定模式排列，即进行了遗传编码。遗传基因在染色体中占据的位置称为基因座（Locus），同一个基因座可能具有的全部基因称为等位基因（Allele），一个细胞核中所有染色体携带的遗传信息的全体称为基因组（Genome）。-err

3。《遗传算法与工程设计》，[日]玄光男着，程润伟着 科学出版社 2000年第一版 本书着重从计算方法和应用技术的角度对遗传算法作了深入浅出的讨论。书中介绍了遗传算法的基本概念和结构，解决约束优化和组合优化问题的方法，以及遗传算法在生产调度、可靠性设计、交通运输、设备布局等一系列工业工程问题中的应用。本书可作为高等院校的工业工程、管理科学、运等学、计算机科学和人工智能专业的本科生和研究生的教科书。对于系统分析员、运行研究员、管理科学家以及在工业工程与运筹学领域里从事最优化问题研究和应用的专业技术人员，本书也不失为一本内容丰富且实用性较强的参考书。-3. "Genetic Algorithms and Engineering Design", [] to Yuen-man, Guilin-a 520-531 2000 version of the first book to focus on calculation methods and application of a technical point of view for Genetic Algorithm a simple discussion. The book on genetic algorithms, the basic concepts and structures, optimization and constraint solving combinatorial optimization problems. and the genetic algorithm in production scheduling, reliability design, transportation, equipment and layout of a series of industrial engineering problems applications. The book can be used as colleges in the industrial engineering, management science, transport and other science, computer science and artificial intelligence professi

使用遗传算法求解通信网链路容量和流量联合优化分配问题!-Communications network using genetic algorithm for solving the joint optimization of link capacity and flow allocation problem!

This toolbox contains re-implementations of four different multi-instance learners, i.e. Diverse Density, Citation-kNN, Iterated-discrim APR, and EM-DD. Ensembles of these single multi-instance learners can be built with this toolbox