an ant colony algorithm, we want to fine Eastern, we had to share.

单点交叉 单点变异 确定式选择法 自适应的遗传算法生成最小树-Adaptive genetic algorithm generates minimum spanning tree

文中设计了一个3层径向基神经网络(RBFN)用于对企业的5项评价指标进行聚类分析，并与蚁群算法做了比较分析。RBFN由输入层 到隐含层采用传统的K一均值算法，隐含层到输出层通过“模2递减”学习速率的BP学习；蚁群算法根据信息素的分配能够自动调整收索 路径，从而达到数据自动聚类的目的。结果表明，与蚁群算法相比，改进RBFN具有快速收敛、自动识别奇异样本的优点，而蚁群算法 无须教师学习，并能够达到全局最优。-In this paper, we designed a 3-layer RBF neural network (RBFN) for the 5-to-business evaluation indicators cluster analysis and ant colony algorithm has done a comparative analysis. RBFN from input layer to hidden layer using the traditional K-means algorithm, hidden layer to output layer through the Mode 2 decreasing learning rate of BP learning ant colony algorithm based on pheromone can automatically adjust the allocation of land Faso path, thereby to achieve the purpose of automatic data clustering. The results showed that compared with the ant colony algorithm to improve the RBFN has a fast convergence, automatic identification of singular advantage of the sample, while the ant colony algorithm do not need teachers to learn and be able to reach the global optimum.

遗传算法求解车辆路径问题，没有解压缩的密码。-Genetic Algorithm for vehicle routing problem, no extract passwords.

TSP算法，应用局部搜索法得到最优路径，已经经过优化。没有密码，可以使用，vc环境下使用。-TSP algorithm, using local search to be optimal path has been optimized. No password can be used, vc environments.

米凯利维奇遗传算法-Mikerevic Genetic Algorithm

本文讨论的问题主要涉及货运的配载，而货运配载的目标是实现车与货的高效匹配, 降低空载率以减少货物运输过程中因此而造成的经济损失。货运配载问题涉及两方面的 内容:车辆利用和货物装载。本文主要从这两个角度角度来分析解决问题。 对于问题1，我们首先通过分析复杂的变量及他们之间的关系，建立规划模型。为 了求解这个模型，我们进行了一系列的简化，使得模型求解切实可行。求得较优的方案， 而且各辆车均匀负担。该方案的总费用为4877.2。 对于问题2，我们在模型1 的基础上进行了改进采用类似的方法求解。也得到了较 优的方案，其总费用为4484。该方案中只用了4 辆车，节省很大的成本。同时指出了模 型求解的关键困难所在，给出了新的思路。 问题3 的思考中，提出了利用图论的有关思想。 在文章的最后，我们针对所建的模型进行了分析，并提出了新的解题思想。对模型 进行了进一步扩展。 关键词：货物配载 运输 组合优化-err

主要实现了烧结矿碱度的神经网络预测，训练精度高-The main achievement of the sinter basicity of the neural network prediction, training and high precision

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

双峰和多峰函数最大值的遗传算法求解 采用前向网络-Bimodal and multimodal function maximum use of the genetic algorithm to the network

基于进化BP网络的含噪声点阵数字识别的源程序，希望对大家有所启示。-BP network based on the evolution of the digital matrix containing noise identification of the source, we hope to reveal.