jade代码笔记 receive(pattern)

receive(MessageTemplate pattern)是一个线程安全的方法,对msgQueue做同步,即一次只有一个receive访问msgQueue,遍历队列,直到找到与pattern匹配的消息,先保存当前消息,再从队列中删除,并告知agenttoolkit已得到消息(MIDP与手机有关),再返回这个消息。
public final ACLMessage receive(MessageTemplate pattern) {
ACLMessage msg = null;
synchronized (msgQueue) {
for (Iterator messages = msgQueue.iterator(); messages.hasNext(); ) {
final ACLMessage cursor = (ACLMessage)messages.next();
if (pattern == null || pattern.match(cursor)) {
try {
//messages.remove();
msgQueue.remove(cursor);
//#MIDP_EXCLUDE_BEGIN
notifyReceived(cursor);
//#MIDP_EXCLUDE_END
currentMessage = cursor;
msg = cursor;
break; // Exit while loop
}
catch (Exception e) {
e.printStackTrace();
// Continue loop, discard message
}
}
}
}
return msg;
}
  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
差分进化算法(Differential Evolution,DE)是一种优化算法,用于解决连续优化问题。差分进化算法的一个变种是差分进化JADE算法(JADE,Jittered Adaptive Differential Evolution),它在收敛性能方面优于其他经典或自适应DE算法。 以下是一个用Matlab复现差分进化JADE算法的示例代码: ```matlab function [bestSolution, bestFitness] = JADE(fitnessFunc, dim, bounds, maxGenerations, populationSize, CR, F) % 初始化种群 population = initializePopulation(populationSize, dim, bounds); % 计算初始种群的适应度 fitness = evaluatePopulation(fitnessFunc, population); % 初始化最佳解和最佳适应度 [bestFitness, bestIndex] = min(fitness); bestSolution = population(bestIndex, :); % 迭代更新种群 for generation = 1:maxGenerations % 生成新的个体 newPopulation = zeros(populationSize, dim); for i = 1:populationSize % 选择三个不同的个体作为参考向量 r = randperm(populationSize, 3); % 生成新的个体 mutant = population(r(1), :) + F * (population(r(2), :) - population(r(3), :)); % 交叉操作 crossoverMask = rand(1, dim) < CR; trial = population(i, :); trial(crossoverMask) = mutant(crossoverMask); % 选择操作 trialFitness = fitnessFunc(trial); if trialFitness < fitness(i) newPopulation(i, :) = trial; fitness(i) = trialFitness; % 更新最佳解和最佳适应度 if trialFitness < bestFitness bestFitness = trialFitness; bestSolution = trial; end else newPopulation(i, :) = population(i, :); end end % 更新种群 population = newPopulation; end end function population = initializePopulation(populationSize, dim, bounds) population = rand(populationSize, dim) .* (bounds(:, 2) - bounds(:, 1)) + bounds(:, 1); end function fitness = evaluatePopulation(fitnessFunc, population) populationSize = size(population, 1); fitness = zeros(populationSize, 1); for i = 1:populationSize fitness(i) = fitnessFunc(population(i, :)); end end ``` 使用该代码,你需要提供以下参数: - `fitnessFunc`:适应度函数,用于评估个体的适应度。 - `dim`:问题的维度。 - `bounds`:问题的边界,一个dim×2的矩阵,每一行表示一个维度的上下界。 - `maxGenerations`:最大迭代次数。 - `populationSize`:种群大小。 - `CR`:交叉概率。 - `F`:缩放因子。 该代码会返回最佳解和最佳适应度。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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