优化算法入门系列文章目录（更新中）： 1.模拟退火算法 2.遗传算法一. 爬山算法 ( Hill Climbing ) 介绍模拟退火前，先介绍爬山算法。爬山算法是一种简单的贪心搜索算法，该算法每次从当前解的临近解空间中选择一个最优解作为当前解，直到达到一个局部最优解。 爬山算法实现很简单，其主要.....
分类：
编程语言 时间：
2015-03-09 10:54:31
阅读次数：
170
问题描述：我方有一个基地，经度和纬度为（ 70,40）。假设我方飞机的速度为 1000 公里/小时。 我方派一架飞机从基地出发，侦察完敌方所有目标，再返回原来的基地。在敌方每一目 标点的侦察时间不计，求该架飞机所花费的时间（假设我方飞机巡航时间可以充分长）。 这是一个旅行商问题。我们依次...
分类：
编程语言 时间：
2015-01-30 00:02:28
阅读次数：
450
模拟退火算法
一. 爬山算法 ( Hill Climbing )
介绍模拟退火前，先介绍爬山算法。爬山算法是一种简单的贪心搜索算法，该算法每次从当前解的临近解空间中选择一个最优解作为当前解，直到达到一个局部最优解。
爬山算法实现很简单，其主要缺点是会陷入局部最优解，而不一定能搜索到全局最优解。如图1所示：假设C点为当前解，爬山算法搜索到A点这个局部最优解就会停...
分类：
编程语言 时间：
2015-01-20 10:28:43
阅读次数：
218
模拟退火 一：概括 1.爬山算法 所谓的爬山算法实际上就是简单的贪心算法，贪心算法通过从当前解的临近空间选择一个最优的解作为新的当前解，因此这个解很有可能是局部最优解，而不是全局最优的。因为A的领域周围没有比他更优的解了。 2.模拟算法 模拟退火算法可以有效的解决这个陷入局部最优解的...
分类：
其他好文 时间：
2015-01-17 20:52:45
阅读次数：
271
今天来讲遗传算法，遗传算法有很多应用，比如寻路问题，八数码问题，囚犯困境问题，动作控制，TSP问题，生产
调度问题，在一个多边形中寻找一个包含在该多边形内的一个圆，函数求最值问题等等。之前讲的模拟退火算法是用
来求解最优化问题的，链接为：http://blog.csdn.net/acdreamers/article/details/10019849 模拟退
火算法用一句话概括就是：贪心过程中...
分类：
编程语言 时间：
2015-01-05 20:31:06
阅读次数：
396
题目链接：uva 10228 - Star not a Tree?题目大意：给定若干个点，求费马点（距离全部点的距离和最小的点）解题思路：模拟退火算法，每次向周围尝试性的移动步长，假设发现更长处，则转移。每次操作之后降低步长后做相同的操作，直到步长小于指定精度。#include #include #...
分类：
其他好文 时间：
2014-12-26 14:28:47
阅读次数：
111
大家都是用什么爬山算法、模拟退火算法的。。。太高端了蒟蒻不会于是Xs找到了些奇怪的东西这篇论文的3.3节 "N孔系统"就是这道题呢~于是就没啦≥v≤~ 1 /************************************************************** 2 Proble...
分类：
其他好文 时间：
2014-12-13 17:48:10
阅读次数：
199
优化算法入门系列文章目录（更新中）： 1.模拟退火算法 2.遗传算法 遗传算法 ( GA , Genetic Algorithm ) ，也称进化算法 。 遗传算法是受达尔文的进化论的启发，借鉴生物进化过程而提出的一种启发式搜索算法。因此在介绍遗传算法前有必要简单的介绍生物进化知识。一.进化论知...
分类：
编程语言 时间：
2014-12-11 12:13:03
阅读次数：
274
首先是转载,觉得写得真好一. 爬山算法 ( Hill Climbing ) 介绍模拟退火前，先介绍爬山算法。爬山算法是一种简单的贪心搜索算法，该算法每次从当前解的临近解空间中选择一个最优解作为当前解，直到达到一个局部最优解。 爬山算法实现很简单，其主要缺点是会陷入局部最优解，而不一定能搜索到全局最优...
分类：
编程语言 时间：
2014-11-21 01:17:40
阅读次数：
350
最近在用遗传算法率定新安江模型参数，在算法的优化方面做了两个工作。一是引入模拟退火算法约束变异算子，即遗传模拟退火算法；二是实现在自适应遗传算法。具体如下：
参数率定结果如下面两幅图所示。
需要说明的是这两幅图都是对流域同一年数据的参数率定结果，可见，存在着明显的“异参同效”现象。下一步需要对模型参数进行不确定性分析，以便更好的率定模型参数。...
分类：
编程语言 时间：
2014-11-06 21:59:55
阅读次数：
250
