Algorithm History

最新推荐文章于 2023-06-16 09:26:15 发布
最新推荐文章于 2023-06-16 09:26:15 发布
阅读量392 收藏
点赞数
分类专栏： Algorithm 文章标签： algorithm
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/HCI4SE2010/article/details/6394309
版权
HCI4SE2010
关注
专栏目录
History Buffer Updating Algorithm初步想法
TVXQ_xy的博客
09-21 436
一些定义：HB：History Buffer，存放所有GCMP的candidatesCnew：所有从new data中得到的new clusters的集合前提假设：1、所有的new clusters都是独立的，无任何交集。所有的candidates中的对象也是独立的，没有交集。2、GCMP的要求： 1） 全局时长要求：K>1 2） 局部时长要求：L>1 3） 局部间隔要
algorithm
qq_43399804的博客
03-23 59
algorithm 数据结构 数组，链表 查找数组比链表块 插入一个数链表比数组块 算法优劣测量 时间复杂度，数组在访问最后一个元素时间复杂度一样为o(1) 链表在访问最后一个元素时间复杂度o(n) 排序问题 顺序排序 #include<iostream> using namespace std; void print(int arr[],int len) { for (int i = 0; i < len; i++) { cout << arr[i] <&lt
AutoSar CAN网络管理状态机理解
Lincanman的博客
08-28 8711
AutoSar CAN网络管理状态机理解 前言 网络管理是整车控制很重要的功能。在CAN网络中通常有两种报文，应用数据帧和网络管理帧。应用数据帧只负责网络在正常工作模式下各节点的数据交互，网络管理帧控制和协调各节点唤醒，工作，休眠的时序。AutoSar CAN网络管理规范要求所有节点按如下状态机管理和交流各自的网络状态以控制整车的网络活动状态。为什么状态机要是这个样子？为什么总共五个状态休眠就三...
simulated anealing algorithm
jerry的博客
06-16 76
algorithm principle good explanation
Algorithm-history_tree.zip
09-17
"Algorithm-history_tree.zip"这个压缩包，显然关注的是一个特定的算法——历史树，它被用于实现撤销/重做功能。这一功能广泛存在于各种软件和应用中，如文本编辑器、图形设计工具等，让用户能够方便地回溯和恢复...
Algorithm-whole_history_rating.zip
09-17
Algorithm-whole_history_rating.zip,从rémi-coulon的全历史评级（whr）算法的ruby实现到python的转换。,算法是为计算机程序高效、彻底地完成任务而创建的一组详细的准则。
A general reinforcement learning algorithm that masters chess, shogi and Go .pdf
09-01
《通用强化学习算法：精通国际象棋、将棋与围棋》 这篇论文介绍了一种通用的强化学习算法，它能够通过自我对弈的方式在国际象棋、日本将棋和围棋等复杂游戏中达到超人类的表现。这个算法被称为AlphaZero，它是之前...
modeling algorithm
07-04
### Grasshopper: A Comprehensive Guide to Understanding and Utilizing This Powerful Modeling Algorithm #### Introduction Grasshopper is a graphical algorithm editor tightly integrated with Rhino’s ...
第四周实践课-课堂笔记.pdf
09-16
第四周实践课-课堂笔记
第5周玩转案例分析(2).pdf
09-16
第5周玩转案例分析(2)
第7周实践课安排.pdf
09-16
第7周实践课安排
基于MATLAB m编程的发动机最优工作曲线计算程序（OOL），在此工作曲线下，发动机燃油消耗最小 文件内含：1、发动机最优工
09-16
基于MATLAB m编程的发动机最优工作曲线计算程序（OOL），在此工作曲线下，发动机燃油消耗最小。 文件内含：1、发动机最优工作曲线计算程序m文件；2、发动机万有特性数据excel文件 注：附赠电机效率map绘制程序（m程序）与对应电机效率map数据（excel ）
前端监控SDK，可用来收集并上报：代码报错、性能数据、页面录屏、用户行为、白屏检测等个性化指标数据_web-see.zip
最新发布
09-16
前端监控SDK，可用来收集并上报：代码报错、性能数据、页面录屏、用户行为、白屏检测等个性化指标数据_web-see
财务报表分析与内部控制.ppt
09-16
财务报表分析与内部控制.ppt
河南开封科技传媒学院在河北2021-2024各专业最低录取分数及位次表.pdf
09-16
全国各大学在河北2021-2024年各专业最低录取分数及录取位次数据，高考志愿必备参考数据
武汉纺织大学外经贸学院在河北2021-2024各专业最低录取分数及位次表.pdf
09-16
全国各大学在河北2021-2024年各专业最低录取分数及录取位次数据，高考志愿必备参考数据
智能优化算法-SMA黏菌优化算法Matlab程序
09-16
智能优化算法|SMA黏菌优化算法Matlab程序 智能优化算法|SMA黏菌优化算法Matlab程序 智能优化算法|SMA黏菌优化算法Matlab程序 智能优化算法|SMA黏菌优化算法Matlab程序 智能优化算法|SMA黏菌优化算法Matlab程序 智能优化算法|SMA黏菌优化算法Matlab程序 智能优化算法|SMA黏菌优化算法Matlab程序 智能优化算法|SMA黏菌优化算法Matlab程序 智能优化算法|SMA黏菌优化算法Matlab程序 智能优化算法|SMA黏菌优化算法Matlab程序 智能优化算法|SMA黏菌优化算法Matlab程序 智能优化算法|SMA黏菌优化算法Matlab程序 智能优化算法|SMA黏菌优化算法Matlab程序 智能优化算法|SMA黏菌优化算法Matlab程序 智能优化算法|SMA黏菌优化算法Matlab程序
第4周玩转案例分析.pdf
09-16
第4周玩转案例分析
if name == 'main': # 实例化问题对象 problem = MyProblem() # 生成问题对象 # 快速构建算法 algorithm = ea.soea_DE_currentToBest_1_bin_templet( problem, ea.Population(Encoding='RI', NIND=20), MAXGEN=400, # 最大进化代数。 logTras=0) # 表示每隔多少代记录一次日志信息，0表示不记录。 algorithm.mutOper.F = 0.7 # 差分进化中的参数F。 algorithm.recOper.XOVR = 0.7 # 交叉概率。 # 先验知识 prophetVars = np.array([[2000, 2000, 2000, 2000, 2000, 2000]]) # 假设已知[0.4, 0.2, 0.4]为一组比较优秀的变量。 # # 求解 res = ea.optimize(algorithm, prophet=prophetVars, verbose=True, drawing=1, outputMsg=True, drawLog=True, saveFlag=True) print(res) data = pd.DataFrame() data['BestFitness'] = [item.FitV for item in res.history] data['MeanFitness'] = [item.FitnV for item in res.history] data['Generation'] = range(1, len(res.history) + 1) data.to_excel('data.xlsx', index=False)这段代码报错，错误是：AttributeError: 'dict' object has no attribute 'history'如何修改
05-26
这个错误提示说明在代码运行过程中，某个字典对象并没有 `history` 属性，而代码中使用了这个属性来获取历史遗传信息。根据你提供的代码，很可能 `res` 是一个字典对象，而不是遗传算法 `ea` 的返回值。 你可以检查一下 `ea.optimize` 的返回值，确保它是遗传算法 `ea` 的实例对象。如果 `res` 确实是字典对象，那么你需要重新编写代码来获取历史遗传信息。具体来说，你需要在遗传算法执行过程中手动保存每一代的遗传信息，然后将这些信息存储到一个列表中，最后再将列表保存到 Excel 文件中。以下是修改后的代码示例： ```python if __name__ == '__main__': # 实例化问题对象 problem = MyProblem() # 生成问题对象 # 快速构建算法 algorithm = ea.soea_DE_currentToBest_1_bin_templet( problem, ea.Population(Encoding='RI', NIND=20), MAXGEN=400, # 最大进化代数。 logTras=0 # 表示每隔多少代记录一次日志信息，0表示不记录。 ) algorithm.mutOper.F = 0.7 # 差分进化中的参数F。 algorithm.recOper.XOVR = 0.7 # 交叉概率。 # 先验知识 prophetVars = np.array([[2000, 2000, 2000, 2000, 2000, 2000]]) # 假设已知[0.4, 0.2, 0.4]为一组比较优秀的变量。 # 求解 res = algorithm.run(prophet=prophetVars, verbose=True, drawing=1, outputMsg=True, drawLog=True, saveFlag=True) # 获取历史遗传信息 history = [] for gen in range(algorithm.MAXGEN): pop = algorithm.population offspring = algorithm.offspring newpop = pop + offspring algorithm.trapped(newpop, gen) algorithm.eaNext() history.append(algorithm.logbook) res['history'] = history print(res) data = pd.DataFrame() data['BestFitness'] = [item['BestFit'] for item in res['history']] data['MeanFitness'] = [item['MeanFit'] for item in res['history']] data['Generation'] = range(1, len(res['history']) + 1) data.to_excel('data.xlsx', index=False) ``` 在这个修改后的代码中，我们手动保存了每一代的遗传信息到 `history` 列表中，并将它作为 `res` 的一个键值对保存起来。接着，我们从 `res['history']` 中获取历史遗传信息，并将其保存到 Excel 文件中。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值