搜索资源列表
GA_BPNN
- 基于遗传算法和BP神经网络控制倒立摆的程序，用遗传算法优化神经网络权值阈值以达到更好的控制效果-Based on genetic algorithm and BP neural network control procedures for the inverted pendulum, with a genetic algorithm neural network weight threshold in order to achieve
gabpEval
- 关于神经网络的，对BP网络权值和阈值优化适应度子函数的源代码-Neural network, BP network weights and threshold to optimize fitness subfunction source code
Genetic-algorithm-optimization
- 遗传算法优化B P神经网络的目的是通过遗传算法得到更好的网络初始权值和阈值, 其 基本思想就是用个体代表网络的初始权值和阈值、 个体值初始化的B P神经网络的预测误差作为该个体的适应度值, 通过选择、 交叉、 变异操作寻找最优个体, 即最优的B P神经网络初始权值。除了遗传算法之外, 还可以采用粒子群算法、 蚁群算法等优化B P神经网络初始权值。-Genetic algorithm to optimize BP neural net
GP-optimization
- 整个算法分成三部分，第一个部分是神经网络整体结构的确定，然后是遗传算法对参数的优化，然后便是利用已经优化好的参数，利用神经网络进行预测。我们根据需要优化的权值以及阈值的数量确定算法个体的长度。个体通过适应度函数计算他们的适应度，根据适应度的大小，我们使用轮盘算法，确定他们的遗传，交叉还有变异等过程，优化以后的BP神经网络可以更好地收敛。-The whole algorithm is divided into three parts, t
pso-bp
- 粒子群算法，也称粒子群优化算法（Particle Swarm Optimization），缩写为 PSO， 是近年来发展起来的一种新的进化算法(Evolutionary Algorithm - EA)。PSO 算法属于进化算法的一种，和模拟退火算法相似，它也是从随机解出发，通过迭代寻找最优解，它也是通过适应度来评价解的品质，但它比遗传算法规则更为简单，它没有遗传算法的“交叉”(Crossover) 和“变异”(Mutation) 操作，
ACOBP
- 利用蚁群算法优化BP神经网络权值和阈值的初值，减少BP神经网络的训练时间-Initial ant colony optimization algorithm BP neural network weights and thresholds, reducing training time BP neural network
ga_bp
- BP网络是一类多层的前馈神经网络，针对网络结构、初始连接权值和阈值的选择对网络训练的影响很大，但又无法准确获取，采用GA-BP对神经网络进行优化-GA-BP neural network optimization, pro test available
main
- 基于遗传算法优化的bp神经网络训练main函数，包括数据的导入，归一化，训练，权阈值的保存等-Based on genetic algorithm optimization of bp neural network training main function, including data import, normalization, training, the preservation of the threshold, etc.
weimo
- 基于发现蚁群算法优化神经网络是利用蚁群算法在解空间寻找出一组最优的权值和阈值，然后将这一组解带回到神经网络进行细致优化，从而得到最好的权值和阈值。(Found that the ant colony algorithm to optimize the neural network based on Ant Colony Algorithm in the solution space to find a set of optimal we