遺傳演算法模擬流體

1. 模擬退火和遺傳演算法都可以解決什麼問題啊

模擬退火演算法和遺傳演算法，包括禁忌搜索演算法，蟻群演算法等都可以用來版求解優化問題。權這些演算法的一個特點是雖然對於一些復雜問題，比如說DP難題，可能不好找到最優解（理論上找到最優解是可以的），但是可以以較高的效率找到滿意解。
查看原帖>>

2. 什麼叫遺傳演算法，遺傳演算法有什麼用希望通俗一點兒

首先有個很神奇的現象：人類以及動物的進化都是朝著好的方向發展，雖然有的往壞的方向發展了，但是總體肯定是往好的方向發展。這看似不奇怪，但是我們知道，人類的基因組合是隨機的，沒有上帝約束。這種隨機過程的結果卻是一致的！！！！！我們的遺傳演算法就是從這里得到啟發！比如我要求y=x1+x2的最大值，兩個變數，我不用傳統的數學方法，就用幼兒園的方法，把所有可能取值帶進去算，然後找出最大的就行了！但是，有時候取值是連續的，沒關系！使其離散化，就像把模擬信號化成數字信號一樣！還有個問題，如果取值太多咋辦？這就是遺傳演算法的精髓！
首先，我不用取所有可能取值，我只取幾十個或者幾百個（自己定），然後進行處理，怎樣處理呢？讓我們回到剛開始的人類進化問題，雖然沒有上帝的幫忙，但是我們知道，自然界遵循優勝劣汰的發賊，遵循交叉變異的法則，雖然不能數字化，但是這是個趨勢！我們就是把這種法則數學化！所取的幾十個值我要剩下哪些？要拋棄哪些？要處理哪些？這都要我們自己選擇，肯定是選擇最合適的取值留下，經過一系列的處理，就生成了新的群體，然後再處理，自己約定處理到第幾次就可以了，取出現過的最大值
不用擔心取到的是不是最大值，因為數學上已經有了證明，這種方法是收斂的，概率是1，所以盡管放心的做，具體的做法要參考相關書籍，不難的。
遺傳演算法的最大用處就是解決數學理論不能解決的問題！比如路徑規劃，調度問題……

3. 遺傳演算法的模擬 數據結構題目

這里有你要的資料：

C#實現遺傳演算法 模擬花朵的進化
http://hi..com/kkkkyue/blog/item/b2eef12451d334378644f921.html
遺傳演算法程序
http://hi..com/tkboy/blog/item/fb1aa31e5274b91e4034175e.html

int main(int argc,char *argv[]) /* 主程序 */
{
struct indivial *temp;
// FILE *fopen();
void title();
char *malloc();
/* if((outfp = fopen(argv[1],"w")) == NULL)
{
printf("Cannot open output file %s\n",argv[1]);
exit(-1);
}*/

title();
printf("輸入遺傳演算法執行次數(1-5):");
scanf("%d",&maxruns);
for(run=1; run<=maxruns; run++)
{
initialize();
for(gen=0; gen<maxgen; gen++)
{
printf("\n第 %d / %d 次運行: 當前代為 %d, 共 %d 代\n", run,maxruns,gen,maxgen);
/* 產生新一代 */
generation();
/* 計算新一代種群的適應度統計數據 */
statistics(newpop);
/* 輸出新一代統計數據 */
report();
temp = oldpop;
oldpop = newpop;
newpop = temp;
}
freeall();
}
}

4. Java 編程模擬遺傳演算法（Genetic Algorithm, GA）：通過交叉變換得出孩子的染色體

大哥你確定5分能搞到java模擬遺傳演算法？
你搞到了別忘了給我來一份 [email protected] 膜拜。

5. 請問一下遺傳演算法，模擬退火演算法和遺傳模擬退火演算法的區別，最好能有根據同一個數學問題的matalb程序源代

遺傳演算法全局優化能力較強，模擬退火演算法局部優化能力較強，這是兩者的最大區別。遺傳模擬退火演算法是兩者的混合演算法，綜合了兩者的優點。參考資料中是改進遺傳演算法解決TSP問題的matlab代碼。

一時半會應該是搞不清楚的，你可以買一本智能優化演算法的書來看，詳細了解一下遺傳演算法和模擬退火演算法的原理。

6. 遺傳演算法、數值演算法、爬山演算法、模擬退火 各自的優缺點

遺傳演算法：其優點是能很好地處理約束，跳出局部最優，最終得到全局最優解。缺點是收斂速度慢，局部搜索能力弱，運行時間長，容易受到參數的影響。

模擬退火：具有局部搜索能力強、運行時間短的優點。缺點是全局搜索能力差，容易受到參數的影響。

爬山演算法：顯然爬山演算法簡單、效率高，但在處理多約束大規模問題時，往往不能得到較好的解決方案。

數值演算法：這個數值演算法的含義太寬泛了，指的是哪種數值演算法，陣列演算法與爬山演算法一樣，各有優缺點。

(6)遺傳演算法模擬流體擴展閱讀：

注意事項：

遺傳演算法的機制比較復雜，在Matlab中已經用工具箱中的命令進行了打包，通過調用可以非常方便的使用遺傳演算法。

函數GA：［x，Fval，reason］＝GA（＠fitnessfun，Nvars，options）x為最優解，Fval為最優值，＠Fitnessness為目標函數，Nvars為自變數個數，options為其他屬性設置。系統的默認值是最小值，所以函數文檔中應該加上一個減號。

要設置選項，您需要以下函數：options＝GaOptimset（＇PropertyName1＇，＇PropertyValue1＇，＇PropertyName2＇，＇PropertyName3＇，＇PropertyValue3＇…）通過該函數，可以確定一些遺傳演算法的參數。

7. 比較模擬退火演算法和遺傳演算法相同點和不同點

模擬退火的話進化是由參數問題t控制的，然後通過一定的操作產生新的解，根據當前解的優劣和溫度參數t確定是否接受當前的新解。
遺傳演算法主要由選擇，交叉，變異等操作組成，通過種群進行進化。
主要不同點是模擬退火是採用單個個體進行進化，遺傳演算法是採用種群進行進化。模擬退火一般新解優於當前解才接受新解，並且還需要通過溫度參數t進行選擇，並通過變異操作產生新個體。而遺傳演算法新解是通過選擇操作進行選擇個體，並通過交叉和變異產生新個體。
相同點是都採用進化控制優化的過程。

8. 遺傳演算法和模擬退火演算法結合神經網路，進行故障診斷和數據預測，這種思路的Matlab程序，高分求助

可以用GA來優化BP網路的初始權值，再用SA來訓練網路。也可直接將兩種演算法融合。具體看你想怎麼做。附件是一個基於Matlab的SA/GA融合程序，和你的要求不同，但是可以參考。

模擬退火演算法來源於固體退火原理，將固體加溫至充分高，再讓其徐徐冷卻，加溫時，固體內部粒子隨溫升變為無序狀，內能增大，而徐徐冷卻時粒子漸趨有序，在每個溫度都達到平衡態，最後在常溫時達到基態，內能減為最小。