将强化学习算法应用于Tic

新手上路： 自己编写的BP神经网络程序，还不是成熟，希望能够加入社区和高手们学习学习-Getting Started: I have written procedures for the BP neural network, is not yet mature, I hope you can join the community and learning to learn

基于VC++的遗传算法源码（相当经典），非常可观-Based on VC++ Genetic algorithm source code (very classic), very impressive

神经网络与遗传算法结合，需要的朋友就不用多说了，仅供学习和参考。-Neural network and genetic algorithm combined with the need for friends goes without saying, for learning and reference.

Hopfield 网――擅长于联想记忆与解迷路 实现H网联想记忆的关键，是使被记忆的模式样本对应网络能量函数的极小值。 设有M个N维记忆模式，通过对网络N个神经元之间连接权 wij 和N个输出阈值θj的设计，使得: 这M个记忆模式所对应的网络状态正好是网络能量函数的M个极小值。 比较困难，目前还没有一个适应任意形式的记忆模式的有效、通用的设计方法。 H网的算法 1）学习模式――决定权重 想要记忆的模式，用-1和1的2值表示 模式：-1，-1，1，-1，1，1，... 一般表示： 则任意两个神经元j、i间的权重： wij=∑ap(i)ap(j)，p=1…p； P：模式的总数 ap(s)：第p个模式的第s个要素（-1或1） wij：第j个神经元与第i个神经元间的权重 i = j时，wij=0，即各神经元的输出不直接返回自身。 2)想起模式： 神经元输出值的初始化 想起时，一般是未知的输入。设xi(0)为未知模式的第i个要素（-1或1） 将xi(0)作为相对应的神经元的初始值，其中，0意味t=0。 反复部分：对各神经元，计算： xi (t+1) = f (∑wijxj（t）-θi), j=1…n, j≠i n―神经元总数 f（）--Sgn（） θi―神经元i发火阈值 反复进行，直到各个神经元的输出不再变化。-Hopfield network-- good at associative memory solution with the realization of lost H associative memory networks, are key to bringing the memory model samples corresponding network energy function of the minimum. With M-N-dimensional memory model, the network N neurons connect between right wij and N output threshold j design makes : M-mode memory corresponding to the network is a state network energy function is the M-000 minimum. Mor

c语言的神经网络源程序-c language source neural network

Matlab fuzzy control progrom.

多层神经网络的可执行例子 http://www.codeproject.com/cpp/MLP.asp?df=100&forumid=148477&exp=0&select=1141594#xx1141594-multilayer neural network executable examples http :// www.codeproject.com/cpp/MLP.asp df = 1

【机器学习】文本分类源代码 【机器学习】文本分类源代码 -] [Machine learning text classification source code] [machine learning text classification source code

另一个足球机器人程序，有非常好的参考价值-Another robot football program, there are very good reference value

遗传算法进行优化神经网络结构-genetic algorithm optimization neural network architecture! !