asdhadadff的博客

粒子群算法(求解二元函数极值)import numpy as npfrom matplotlib import pyplot as pltfrom mpl_toolkits.mplot3d import Axes3Dfrom numpy import *w = 0.5 #惯性因子[0,1]c1 = 2 #学习因子c2 = 2 #学习因子partical_num = 100 #粒子数量fun = '5 * sin(x * y) + x ** 2 + y ** 2' #目

import numpy as npfrom matplotlib import pyplot as pltfrom mpl_toolkits.mplot3d import Axes3Dfrom numpy import *w = 0.5 #惯性因子[0,1]c1 = 2 #学习因子c2 = 2 #学习因子partical_num = 100 #粒子数量fun = '5 * sin(x * y) + x ** 2 + y ** 2' #目标函数choice = 'min' .

遗传算法（一元）(解一元函数极值)import numpy as npimport pandas as pdfrom matplotlib import pyplot as pltfrom math import *from numpy import *#目标函数def y(fun,x): return eval(fun)#生成初始种群def init_pop(num,DNA_SIZE): pop = np.random.randint(2,size = [nu

1.流程免疫算法与遗传算法其实非常相似，但其独特的地方在于，免疫算法用激励度而非亲和度来衡量结果的好坏，而激励度又与抗体密度有关，这就使得密度大的抗体激励度反而小，让免疫算法有全局搜索的能力，不容易陷入局部最优，接下来我就结合代码来讲解。2.开发环境【Anaconda + jupyter notebook python 3.7.9】3.具体实例现有一函数,定义域为,函数图像首先导入需要的包numpypandas(这个好像全程没用到)matplotl...