我使用来找到对最初猜测相当敏感的4D函数的最小值。如果我稍微改变一下,解决方案会有很大的变化。
有许多类似于此的问题已经存在(例如:,,),但没有真正的答案。
在我的一个老问题中, of zunzun.com site (显然是)解释了他们如何管理这个问题:
Zunzun.com使用差分进化遗传算法(DE)来寻找初始参数估计,然后传递给枕叶中的Levenberg-Marquardt求解器。DE本身并不是一个全局优化器,而是一个“初始参数猜测器”。
我发现最接近这个算法的是,其中使用一个for块多次使用随机的初始猜测调用最小化函数。这将生成多个最小化的解决方案,并最终选择最佳(最小值)的
大家好,如果有人帮我解决这个云计算任务调度的编码(C++,Python)问题,通过启发式(贪婪)和遗传算法,我不知道如何编写我在Google上搜索到的代码,以找到一种能激励我解决问题的代码:
问题是:
问题:云计算中的任务调度假设您有N个任务和M个虚拟机(VM)。每个任务都有指定的大小(单位:百万条指令)和截止日期(单位:秒)。每个VM还有一个主要的特性,即处理速度(单位:每秒百万条指令)。任务调度问题可以定义为:将任务映射到VM,使最后一个任务的完成时间(即Makespan )在任务的截止日期之前得到优化。如果任务的截止日期未达到,则必须拒绝该任务。通过以下几种算法来解决和实现这一问题: A
有向加权图中的最短路径问题。我认识Dijkstra,BFS,DFS。但是,我有a set of vertices S作为起点,a set of vertices E to end也有。S和E不重叠。那么,怎样才能找到边权最小和的边集呢?边集不必包含S中的所有顶点,而是必须包含reach all vertices in E。我应该从所有{Si,Ei}排列的Dijkstra开始优化,还是错过我应该知道的任何重要算法?甚至我都在想.
我手头有一个优化问题,它需要在一个固定的正方形a1,a2 x b1,b2中生成恒定数量的点(x,y)。 存在保持任意两点之间的最小距离的约束。我正在尝试实现一个遗传算法来解决这个问题,对于这个搜索空间中的遗传算法,什么是好的交叉和变异操作? 目前,我认为对于突变,我们可以对x和y坐标中的每个点进行随机扰动,并且服从正态分布。但我对交叉运算符没有任何想法。
有些人可能不知道行是什么:它是一个像linkedIn等在线网络社区。你可以添加新的联系人,管理这些联系人,搜索新的等等。
整个应用程序都是用Ruby完成的,并且受到了小世界理论的启发,至少可以这么说。
有一个具体的特点,我真的无法想象它是如何做到的。如果您搜索某个人Z,它不在您的联系人列表中,并且您单击Z的配置文件,则显示从您到person Z的所有可能的连接。示例:
YOU ->人B -> ->人E -> 人Z -> person M -> person I -> person Z YOU -> person J -> #en3 20#
我试着用神经网络和遗传算法进行优化。用输入p (4x72矩阵)和目标t (2x72矩阵)训练神经网络。利用遗传算法对优化算法进行了再分级,采用神经网络的sim函数作为适应度函数。我所使用的代码如下:
objFcn=@(p) sim(net,p');
%'net' is the neural network I created with p as input and t as target
[xOpt,fVal,exitflag,target]=ga(objFcn,4,[],[],[],[],LB,UB,[],options);
我提供了LB和UB,它们分别是下界和上界。
mutation_rate=.05和current_pop是一个数组。我如何让if语句随机改变数组中的值?这是遗传算法中的变异。谢谢你的帮助!
for i in range(len(current_pop)):
r= np.random.rand()
if r < mutation_rate:
return new_array
`