蛙跳差分方法，精华分(ˇˍ ˇ） 想～ 蛙跳差分方法，精华分(ˇˍ ˇ） 想～...

遗传算法在运行早期个体差异较大，当采用经典的轮盘赌方式选择时，后代产生的个数与父个体适应度大小成正比，因此在早期容易使个别好的个体的后代充斥整个种群，造成早熟。在遗传算法后期，适应度趋向一致，优秀的个体在产生后代时，优势不明显，从而使整个种群进化停滞不前。因此对适应度适当地进行拉伸是必要的，这样在温度高时(遗传算法的前期)，适应度相近的个体产生的后代概率相近；而当温度不断下降后，拉伸作用加强，使适应度相近的个体适应度差异放大，从而使得优秀的个体优势更明显。由于模拟退火算法和遗传算法可以互相取长补短，因此有效地克服了传统遗传算法的早熟现象，同时根据聚类问题的具体情况设计遗传编码方式、适应度函数，使该算法更有效、更快速地收敛到全局最优解。本案例研究了基于遗传模拟退火算法的聚类算法。

一种用C语言实现的快速傅立叶变换和傅立叶反变换,经测试十分好用-A C-realize the fast Fourier transform and Fourier inverse transform, have been tested and is very easy to use

最小二乘一次完成算法，C语言编写，源码，调试通过。-A complete least-squares algorithm, C language, source code, debugging through.

一个OpenCV，只需要一个摄像头。

使用MFC完成多项式的计算，很值得一看，也是学习数据结构的好程序-use MFC polynomial complete the calculation, it is worth looking at, but also learn from the data structures the program

W.B.Gragg改进的解微分方程组的解法，为改进中点法，并给出解一个方程组得例子。-WBGragg solution to improve the solution of differential equations, in order to improve the mid-point of law, and gives a solution of an equation example.

一维双负介质的drude等效模型的防真程序．可以从输出图象中看出双负介质的基本特性-one-dimensional negative media drude Equivalent Model defense really procedures. Images can be output seen double negative dielectric characteristics of the basic

本应用报告详细介绍了TMS320C6000DSP平台上的多波段参数均衡器的实现。整个应用程序是用标准C;它达到的性能优良的电平，并允许用户通过在主机上的图形界面，以控制均衡器。此报告的目的是演示如何TI DSP产品和工具可以在专业音频应用中使用，并提出了这样的系统的解决方案。第一部分是专门为滤波器组的设计，其相关方程，编码，优化和基准;第二部分展示了如何TI工具可以利用此模块中的一个现实的专业音频环境的整合，本节介绍设置演示所需的步骤。甲TMS320C6711 DSK是必需的，并且任选的TLV320AIC23子板（24比特/96kHz的编解码器）。提供指导运行在硬件设置演示。

问题算法源代码：骑士遍历、万年历、N皇后问题回溯算法、动态计算网络最长最短路线、货郎担分枝限界图形演示、货郎担限界算法、矩阵乘法动态规划、网络最短路径Dijkstra算法-problems algorithm source code : Knight traversal, calendar, N Queens backtracking algorithms, Dynamic computing network longest shortest routes, traveling salesman Branch and Bound graphic demonstration, traveling salesman Bound algorithm, Matrix multiplication dynamic programming, network Dijkstra shortest path algorithm

开发的多目标优化算法采用进化优化方法和证明自己的优势在各种涉及实际问题主要是两个和三个目标，现在有一个不断增长的需求发展进化多目标优化（EMO）用于处理许多目标的算法（具有4或更多个目标）优化问题。在本文中，我们认识到一个最近几年的努力，并讨论了许多的可行方向发展潜力EMO算法求解多目标优化问题。此后，我们建议的参考点基于许多目标NSGA-II（我们称之为NSGA-III），强调人口会员，非主导且靠近一组提供的参考点。建议NSGA-III是施加到若干许多目标测试问题具有两个到15的目标，并与两个版本的一个最近比较建议EMO算法（MOEA/ D）。而每两个MOEA/ D的方法效果很好对不同类别的问题，所提出的NSGA-III被发现，以产生令人满意的结果在这项研究中考虑了所有的问题。本文介绍结果在无约束的问题，续集本文认为限制，在处理其他专科许多目标优化问题。