遗传算法求解TSP问题

神经网络模式识别及其实现，第九章。 内含：HOPFIELD和LAM -pattern recognition and neural network to achieve, chap. Intron : LAM and HOPFILED

请让我成为会员，上串的是我编写的一个诊断专家系统的神经网络部分的代码。-let me become a member, on the string of my preparation of a diagnostic expert system the neural network part of the code.

遗传算法的源程序，里面有基本的遗传算法的各种操作过程，很全面！-genetic algorithm source, there are basic genetic algorithm various operational and very comprehensive!

基于Matlab的人工神经网络反向传播程序设计

本人这学期写八数码作业，采用三种人工智能算法，在vc2003开发完成-I write this semester eight digital operations, in three artificial intelligence algorithm, developed in vc2003

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

用BP算法实现数字识别功能，可以显示状态变化图-BP algorithm digital identification function can demonstrate that changes in state plans

蚁群算法 关于城市旅行商问题 ，有兴趣的可以参考下，也课参与交流-Ant colony algorithm on the city traveling salesman problem, interested can refer to, it is also involved in the exchange of lessons

贝叶斯算法是基于贝叶斯定理 P(H|X) = P(X|H)P(H) / P(X).。对于多属性的数据集，计算 P(X|Ci) 的开销非常大，为减低计算复杂度，我们做条件独立的假设，即给定元组的类标号，假定属性值有条件地相互独立，即在属性间不存在依赖关系。此程序仅为算法的一个实现，根据训练数据训练分类器-Bayesian algorithm is based on the Bayes theorem P (H | X) = P (X | H) P (H)/P (X).. For multi-attribute data sets, computing P (X | Ci) of the overhead is very large, in order to reduce the computational complexity, we do conditional independence assumption that a given tuple class label, it is assumed that property values conditionally independent of each other, that does not exist in the inter-attribute dependencies. This procedure is only an implementation of algorithm, according to training data classifier training

该源码用来实现基本粒子群的算法，值得参考-The source algorithm is used to achieve the elementary particle group, worth considering