- 博客(6)
- 资源 (1)
- 收藏
- 关注
RSS订阅原创 遗传-蚁群算法python实现
import tkinterfrom functools import reduceimport numpy as npimport randomimport math"""为了解决蚁群算法前期因缺乏信息素因素导致的收敛缓慢 利用了遗传算法前期快速收敛的特性 继续前期的遗传变异 旨在若干组的优秀解 为后面蚁群算法的初始化信息素浓度作一个很好的分布author:sugarMeidate:2020 5-30version:1.0language:python"""'''alpha
2020-05-31 11:58:56
3275
29
原创 EP进化规划python实现
import numpy as npimport osimport datetime"""进化规划-ep 实现多峰值函数的最大值计算"""# 种群规模N = 80# x1:[-0.3,12.1]# x2:[4.1-5,8]bound_x1 = [-0.3, 12.1]bound_x2 = [4.1, 5.8]# 初始化x1、x2# 计算sigma 初始化种群# 初始化可以修改为先生成[2,N]的正态分布 再给每一个计算具体的值X = np.random.random([2, N
2020-05-29 16:22:39
1025
原创 (1+1)-es进化策略python实现
import numpy as npimport matplotlib.pyplot as plt'''1+1 ES进化策略'''DNA_SIZE = 1 # DNA (real number)DNA_BOUND = [0, 5] # solution upper and lower boundsN_GENERATIONS = 200 # 进化MUT_STRENGTH = 5. # 统一定义的变异强度def F(x): return np.sin(10 * x) * x +
2020-05-29 16:19:35
1081
2
原创 蚁群算法python实现
import tkinterfrom functools import reduceimport timeimport numpy as np"""蚁群算法ACO python实现1.0版本sugarMei2020 5-27"""# 初始化参数'''alpha:信息素影响的强度大小beta:可见度影响的强度大小rho:信息素挥发因子q:常数 用于计算每次一次遍历后的信息素强度变化程度eta:从i城市到j城市的可见度distance_graph:城市i到j的距离dij
2020-05-29 16:18:27
1034
原创 进化策略( µ , λ ) -ES附上python代码实现
ES算法模型个体表示适应度评价变异交叉选择个体的表示方法个体是一个2n维向量，由实数解 x 和标准差sigma组成：X = { x, sigma }其中：x = [ x1, x2, ···，xn]表示个体特征，即基因。向量x是搜索空间中的一个点，即实数解；向量sigma是正态分布的标准差，它用于变异进化。适应度评价取目标函数 f (x) 为适应度函数 F (x)： f ( x ) = F ( x )目标函数 f
2020-05-21 10:05:27
1684
原创 基本差分进化算法DE附上python代码
DE算法流程初始化参数和种群变异交叉适应度值计算选择未达到条件 继续2-5DE-差分进化算法，与GA（简单遗传算法）思想大致相同，个人觉得主要的差别在于DE利用了个体之间的协同性，引入了差分向量的概念。差分向量只是用了一个差向量，可以使用2个或者3个，个人测试效果差异不大。 V[i, :] = BEST_X + SIGMA * (X[r[0], :] - X[r[1], :])解释：此处的基量我使用了类似于精英保留策略的方法，将当前代适应度值最好的个体单独拿出来，以供给种群的其
2020-05-20 22:58:35
2294
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人