清华大学不确定规划教材中的模糊模拟算法1

本代码用蚁群算法求解带时间窗的车辆路径问题-The code with ant colony algorithm with time window of vehicle routing problem

中国科学院李德毅院士在北京航空航天大学关于不确定性人工智能的讲座PPT。-Uncertainty Artificial Intelligence Seminar PPT

EM algorithm with a Rauch-Tung-Striebel smoother and an M step,内有说明-EM algorithm with a Rauch-Tung-Striebel"s moother and an M step, which is described

简单的遗传算法源代码，挺实用的，大家可以借鉴-Simple genetic algorithm source code, very useful, we can learn from

Matlab implementation of ID3 and NaiveBayes classifier. It also includes example dataset as well.

遗传算法和神经网络的结合应用，通过Visual C++环境来实现该功能，使计算能力更强-Genetic algorithms and neural networks combination of applications, through the Visual C++ environment to achieve this feature, so that more computing power

好不容易找到的外国博士论文,关于Text-independent speaker recognition-Hard to find foreign doctoral thesis on the Text-independent speaker recognition

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

神经网络中自适应谐振理论模型实现的C语言源程序！-Neural network adaptive resonance theory model of the C language source code!

首先采用某种编码方式将解空间映射到编码空间，每个编码对应问题的一个解，称为染色体或个体。一般通过随机方法确定起始的一群个体，称为种群，在种群中根据适应值或某种竞争机制选择个体，使用各种遗传操作算子产生下一代如此进化下去，直到满足期望的终止条件。-begin using some form of coding mapping to the solution space coding space, each encoding a corresponding solution to the problem, known as chromosome or individual. General randomly determined by the initial group of individuals, called stocks, the stocks based on fitness or some mechanism to choose the individual competition, the use of genetic Operator evolution of the next generation so on, until the termination meet expectations conditions.