全文获取类型
收费全文 | 154篇 |
免费 | 4篇 |
国内免费 | 6篇 |
专业分类
电工技术 | 9篇 |
技术理论 | 1篇 |
综合类 | 2篇 |
化学工业 | 27篇 |
金属工艺 | 10篇 |
机械仪表 | 2篇 |
建筑科学 | 44篇 |
矿业工程 | 1篇 |
轻工业 | 4篇 |
水利工程 | 18篇 |
石油天然气 | 3篇 |
武器工业 | 3篇 |
无线电 | 6篇 |
一般工业技术 | 9篇 |
冶金工业 | 10篇 |
原子能技术 | 1篇 |
自动化技术 | 14篇 |
出版年
2023年 | 3篇 |
2022年 | 8篇 |
2021年 | 12篇 |
2020年 | 5篇 |
2019年 | 2篇 |
2018年 | 19篇 |
2015年 | 3篇 |
2014年 | 8篇 |
2013年 | 6篇 |
2012年 | 8篇 |
2011年 | 8篇 |
2010年 | 6篇 |
2009年 | 7篇 |
2008年 | 10篇 |
2007年 | 8篇 |
2006年 | 7篇 |
2005年 | 5篇 |
2004年 | 6篇 |
2003年 | 4篇 |
2002年 | 12篇 |
2001年 | 7篇 |
2000年 | 2篇 |
1999年 | 1篇 |
1998年 | 5篇 |
1988年 | 1篇 |
1985年 | 1篇 |
排序方式: 共有164条查询结果,搜索用时 343 毫秒
161.
162.
163.
164.
蚁群优化(ACO)算法是一种常用的元启发式算法,它通过模拟蚁群寻找食物的过程,为求解多维背包问题(MKP)等NP难(Non-deterministic Polynomial hard)问题提供可行途径。原始ACO算法及其改进算法,通常分为多个轮次,每个轮次均会生成一个蚂蚁种群寻找可行解。在不同轮次中,每轮蚁群中蚂蚁的数量是固定的,因此,如果将其指定一个较大的值,会导致算法出现不必要的时间消耗;反之,如果指定的值较小,则会降低算法全局最优解搜索能力。为此,提出了一种基于蚁群数量动态调整的改进蚁群优化算法ACO-ANDA(ACO algorithm based on Ant Number Dynamic Adjustment),所提算法在可行解搜索过程中,引入了一种新的蚁群数量动态调整机制。在每轮可行解搜索结束后,均根据近几轮可行解和历史最优解之间的关系,调整下一轮蚁群数量,实现对算法时间耗费和最优解搜索能力的平衡。再基于MKP基准测试集SAC-94的多组实验结果表明,相较于原始ACO算法,所提算法能够在最优解利润平均降低0.02%的情况下,平均降低77.85%的时间耗费。 相似文献