全文获取类型
收费全文 | 93篇 |
免费 | 53篇 |
国内免费 | 18篇 |
专业分类
电工技术 | 3篇 |
综合类 | 3篇 |
化学工业 | 6篇 |
金属工艺 | 2篇 |
机械仪表 | 1篇 |
矿业工程 | 2篇 |
能源动力 | 3篇 |
水利工程 | 8篇 |
武器工业 | 1篇 |
无线电 | 22篇 |
一般工业技术 | 7篇 |
冶金工业 | 6篇 |
自动化技术 | 100篇 |
出版年
2023年 | 5篇 |
2020年 | 5篇 |
2019年 | 3篇 |
2018年 | 6篇 |
2017年 | 2篇 |
2016年 | 3篇 |
2015年 | 4篇 |
2014年 | 6篇 |
2012年 | 6篇 |
2011年 | 11篇 |
2010年 | 11篇 |
2009年 | 23篇 |
2008年 | 20篇 |
2007年 | 14篇 |
2006年 | 10篇 |
2005年 | 4篇 |
2004年 | 8篇 |
2003年 | 2篇 |
2002年 | 3篇 |
2001年 | 2篇 |
2000年 | 6篇 |
1999年 | 7篇 |
1994年 | 1篇 |
1988年 | 1篇 |
1986年 | 1篇 |
排序方式: 共有164条查询结果,搜索用时 0 毫秒
1.
2.
TSP问题是经典的NP难问题,学者们已经提出很多有效的方法,但大多都是基于静态情形的,然而现实中的TSP问题基本为动态的,动态TSP将是一个更符合实际TSP问题的研究领域。提出了一种基于高斯扰动的动态TSP模型,设计了扰动响应算法,并对反序交叉算子做了改进。实验证明该算法的有效性和新模型的现实意义。 相似文献
3.
介绍了遗传算法的优化方法,在已经存在的交叉算子上提出了一种新的交叉算子——引导交叉,它结合了异位交叉和等位交叉的特点,并加入个体反码表示形式,在执行交叉操作前有一个自适应的选择交叉方式的判断,给出了5组不同的测试函数的仿真实验。实验结果表明,引导交叉算子可比其他交叉算子更有效地提高遗传算法的收敛性,且易于找到全局最优解。 相似文献
4.
分布性保持是多目标进化算法研究的一个重要方面,一个好的分布性能给决策者提供更多合理有效的选择。Pareto最优解的分布性主要体现在分布广度与均匀性两个方面。提出一种基于相似个体的多目标进化算法(SMOEA)。在种群维护中删除相似程度最大的个体;在进化操作中,选取了相似程度最大的个体进行进化。与目前经典算法NSGA-II和ε-MOEA进行比较,结果表明新算法拥有良好的分布性,同时也较好的改善了收敛性。 相似文献
5.
一种基于快速排序的快速多目标遗传算法 总被引:2,自引:2,他引:2
多目标遗传算法的一个重要步骤就是构造非支配集,本文提出了一种基于快速排序的非支配集构造方法,提高了非支配集构造效率,并且在Deb提出的NSGAⅡ的基础上,改进了其种群构造策略,设计了一类新的多目标遗传算法。实验表明,这种方法比NSGAⅡ具有更快的收敛速度且保持了良好的分布性。 相似文献
6.
7.
本文讨论的并行遗传算法是一类控制主从式的异步并行的遗传算法,它合理地解决了遗传操作和通讯之间的协调,具有通讯开销小、子群体之间信息交流充分等特点。 相似文献
8.
基于Pareto支配的MOEA存在着一些缺陷,如容易出现退化现象等。而基于ε支配的MOEA可以比较好地解决这些问题,并具有比较理想的收敛性和分布性。但是采用传统的ε-MOEA时,最大的困难就是ε的值的设定,并且传统的MOEA得出的解在边界部分个体的丢失现象也比较严重。针对这种情况提出了一种新的基于动态ε支配的多目标遗传算法(DEMOEA),它不需要手动设定ε的值,并且引入了动态网格概念来改善边界解丢失的现象。通过与其他两个经典的多目标进化算法的NSAGA-II和SPEA-2的对比实验,表明提出的DEMOEA能在收敛性、分布性有较好的改进。 相似文献
9.
在多目标进化算法中,如何提高生成解的质量一直是研究的热点与难点.为解决以上问题,该算法从差分进化算法与计算资源分配策略2个方向进行了研究.根据多目标问题从决策空间到目标空间的映射关系以及差分进化算法基本原理,提出了一种基于双种群的多目标差分选择策略.它利用2个种群来区分个体间收敛性差别,在调整差分参数以适应多目标算法特性的基础上,以收敛性差别为依据选择参与差分运算的个体,从而提高差分算法性能,加快子代个体收敛.另外,根据子代个体收敛速率的不同,动态调整计算资源的分配,进一步提高算法收敛性.与ε-MOEA和MOEA/D-DRA在一系列复杂的多目标优化问题上进行了对比实验,结果表明了所提策略的有效性. 相似文献
10.
用擂台赛法则构造多目标Pareto最优解集的方法 总被引:14,自引:0,他引:14
针对多目标进化的特点,提出了用擂台赛法则(arena's principle,简称AP)构造多目标Pareto最优解集的方法,论证了构造方法的正确性,分析了其时间复杂度为O(rmN)(0<m/N<1).理论上,当AP与Deb的算法以及Jensen的算法比较时(它们的时间复杂度分别为O(rN2)和O(Nlog(r-1)N)),AP优于Deb的算法;当目标数r较大时(如r≥5),AP优于Jensen的算法;此外,当m/N较小时(如m/N≤50%),AP的效率与其他两种算法比较具有优势.对比实验结果表明,AP具有比其他两种算法更好的CPU时间效率.在应用中,AP可以被集成到任何基于Pareto的MOEA中,并能在较大程度上提高MOEA的运行效率. 相似文献