matlab禁忌搜索算法
‘壹’ 一道MATLAB题，求助啊
题主并没有把问题描述清楚。
其实这是一个单一设施选址问题，脊蔽其中的ai对应的是平面上点的坐标，wi为各点的权重。所谓【f是一个特定函数】说的很含糊，其实f是所选点与各已知点距离的加权和，而迭代的目标则是让f达到最小值。
这是一个无约束优化问题，可用fminunc直接求解：
%常数定义
a1=[2;0];a2=[4;10];a3=[8;3];a4=[3;5];a5=[5;7];
w1=6;w2=2;w3=7;w4=5;w5=4;
e=1e-6;
%为便于统一处理，使用数组
A=[a1a2a3a4a5];
W=[w1w2w3w4w5];
%初值
x0=rand(2,1)*10;
%定义求范数和目标函数的匿名函数
n=@(x)arrayfun(@(i)norm(A(:,i)-x),1:length(W));
f=@(x)sum(W.*n(x));
x=fminunc(f,x0,optimset('LargeScale','off'轮颂,'display','off'))
如果用题主贴出的来式子编程序，代码如下：
%常数定义
a1=[2;0];a2=[4;10];a3=[8;3];a4=[3;5];a5=[5;7];
w1=6;w2=2;w3=7;w4=5;w5=4;
e=1e-6;
%为便于统一处理，使用数组
A=[a1a2a3a4a5];
W=[w1w2w3w4w5];
%初值
x0=rand(2,1)*10;
%定义求范数和目标函数的匿名函数
n=@(x)arrayfun(@(i)norm(A(:,i)-x),1:length(W));
f=@(x)sum(W.*n(x));
%迭代
whiletrue
N=n(x0);
x=sum([W;W].*A./[N;N],2)/sum(W./N,2);
%若满足精度要求，退出循环
ifabs(f(x)-f(x0))<=f(x0)*e
break
end
x0=x;
end
x
其实，迭代的终止条件除题主所给的目标函数相对误差（TolFun）之外，常见的还有变量本身的允许误差（TolX）以及迭代次数（MaxIter）等。
下面给出一个增加了绘图示意樱桐州的版本。等值线为目标函数，各已知点根据权重以不同大小表示，动画示意了从不同初值经迭代到达最优点的过程。
%常数定义
a1=[2;0];a2=[4;10];a3=[8;3];a4=[3;5];a5=[5;7];
w1=6;w2=2;w3=7;w4=5;w5=4;
e=1e-6;
%为便于统一处理，使用数组
A=[a1a2a3a4a5];
W=[w1w2w3w4w5];
%初值（随机生成）
x0=rand(2,1)*10;
%定义求范数和目标函数的匿名函数
n=@(x)arrayfun(@(i)norm(A(:,i)-x),1:length(W));
f=@(x)sum(W.*n(x));
%绘图
clf
ezcontour(@(x,y)arrayfun(@(x,y)f([x;y]),x,y),[-312-111])
holdon
fori=1:length(W)
plot(A(1,i),A(2,i),'o','MarkerSize',W(i)*2,'MarkerFace','c');
text(A(1,i)+0.4,A(2,i),sprintf('(%g,%g)',A(:,i)));
end
h2=plot(x0(1),x0(2),':.','color',[111]*0.8);
h1=plot(x0(1),x0(2),'r*');
h3=title('');
axisequal
colorbar
X=x0;
%迭代
whiletrue
N=n(x0);
x=sum([W;W].*A./[N;N],2)/sum(W./N,2);
%更新绘图
X=[Xx];
set(h2,'XData',X(1,:),'YData',X(2,:))
set(h1,'XData',x(1),'YData',x(2))
set(h3,'str',sprintf('Currentpoint:(%.4f,%.4f),f(x)=%.6f',x,f(x)));
drawnow
pause(0.5)
%若满足精度要求，退出循环，否则以新的值继续迭代
ifabs(f(x)-f(x0))<=f(x0)*e
set(h1,'Color','g','Marker','p','MarkerFace','g')
break
end
x0=x;
end
‘贰’ 跪求禁忌搜索算法解决背包问题的matlab程序
附件代码，可供参考
‘叁’ 求助用MATLAB编个小程序
给出具体的数据吧 那样好编点！！
‘肆’ MATLAB与系统仿真 试题
二、系统仿真
系统仿真是20世纪40年代末以来伴随着计算机技术的发展而逐步形成的一门新兴学科。仿真（Simulation）就是通过建立实际系统模型并利用所见模型对实际系统进行实验研究的过程[2]。最初，仿真技术主要用于航空、航天、原子反应堆等价格昂贵、周期长、危险性大、实际系统试验难以实现的少数领域，后来逐步发展到电力、石油、化工、冶金、机械等一些主要工业部门，并进一步扩大到社会系统、经济系统、交通运输系统、生态系统亏卜等一些非工程系统领域。可以说，现代系统仿真技术和综合性仿真系统已经成为任何复杂系统，特别是高技术产业不可缺少的分析、研究、设计、评价、决策和训练的重要手段。其应用范围在不断扩大，应用效益也日益显着。
1．销前穗系统仿真及其分类
系统仿真是建立在控制理论、相似理论、信息处理技术和计算机初等理论基础之上的，以计算机和其他专用物理效应设备为工具，利用系统模型对真实或假设的系统进行试验，并借助于专家的经验知识、统计数据和信息资料对实验结果进行分析研究，进而做出决策的一门综合的实验性学科。从广义而言，系统仿真的方法适用于任何的领域，无论是工程系统（机械、化工、电力、电子等）或是非工程系统（交通、管理、经济、政治等）。
系统仿真根据模型不同，可以分为物理仿真、数学仿真和物理—数学仿真（半实物仿真）；根据计算机的类别，可以分为模拟仿真、数字仿真和混合仿真；根据系统的特性；可以分为连续系统仿真、离散时间系统（采样系统）仿真和离散事件系统仿真；根据仿真时钟与实际时钟的关系，可以分为实时仿真、欠实时仿真和超实时仿真等。
2．系悔告统仿真的一般步骤
对于每一个成功的仿真研究项目,其应用都包含着特定的步骤，见图9-2。不论仿真项目的类型和研究目的又何不同，仿真的基本过程是保持不变的，要进行如下9步：
问题定义
制定目标
描述系统并对所有假设列表
罗列出所有可能替代方案
收集数据和信息
建立计算机模型
校验和确认模型
运行模型
分析输出
下面对这九步作简单的定义和说明。它不是为了引出详细的讨论，仅仅起到抛砖引玉的作用。注意仿真研究不能简单遵循这九步的排序，有些项目在获得系统的内在细节之后，可能要返回到先前的步骤中去。同时，验证和确认需要贯穿于仿真工程的每一个步骤当中。
（1）问题的定义
一个模型不可能呈现被模拟的现实系统的所有方面，有时是因为太昂贵。另外，假如一个表现真实系统所有细节的模型也常常是非常差的模型，因为它将过于复杂和难于理解。因此，明智的做法是：先定义问题，再制定目标，再构建一个能够完全解决问题的模型。在问题定义阶段，对于假设要小心谨慎，不要做出错误的假设。例如，假设叉车等待时间较长，比假设没有足够的接收码头要好。作为仿真纲领，定义问题的陈述越通用越好，详细考虑引起问题的可能原因。
（2）制定目标和定义系统效能测度
没有目标的仿真研究是毫无用途的。目标是仿真项目所有步骤的导向。系统的定义也是基于系统目标的。目标决定了应该做出怎样的假设、应该收集那些信息和数据；模型的建立和确认考虑到能否达到研究的目标。目标需要清楚、明确和切实可行。目标经常被描述成像这样的问题“通过添加机器或延长工时，能够获得更多的利润吗？”等。在定义目标时，详细说明那些将要被用来决定目标是否实现的性能测度是非常必要的。每小时的产出率、工人利用率、平均排队时间、以及最大队列长度是最常见的系统性能测度。
最后，列出仿真结果的先决条件。如：必须通过利用现有设备来实现目标，或最高投资额要在限度内，或产品订货提前期不能延长等。
（3）描述系统和列出假设
简单点说，仿真模型降低完成工作的时间。系统中的时间被划分成处理时间、运输时间和排队时间。不论模型是一个物流系统、制造工厂、或服务机构，清楚明了的定义如下建模要素都是非常必要的：资源、流动项目（产品、顾客或信息）、路径、项目运输、流程控制、加工时间，资源故障时间。
仿真将现实系统资源分成四类：处理器，队列，运输，和共享资源如操作员。流动项目的到达和预载的必要条件必须定义，如：到达时间、到达模式和该项目的类型等属性。在定义流动路径时，合并和转移需要详细的描述。项目的转变包括属性变化、装配操作（项目和并）、拆卸操作（项目分离）。在系统中，常常有必要控制项目的流动。如：一个项目只有在某种条件或某一时刻到来时才能移动，以及一些特定的规则。所有的处理时间都要被定义，并且要清楚表明那些操作是机器自动完成，哪些操作是人工独立完成，哪些操作需要人机协同完成。资源可能有计划故障时间和意外故障时间。计划故障时间通常指午餐时间，中场休息，和预防性维护等。意外故障时间是随机发生的故障所需的时间，包括失效平均间隔时间和维修平均间隔时间。
在这些工作完成之后，需要将现实系统作模型描述，它远比模型描述向计算机模型转化困难。现实向模型的转化意味着你已经对现实有了非常彻底的理解，并且能将其完美的描述出来。这一阶段，将此转换过程中所作的所有假设作详细说明非常有必要。事实上，在整个仿真研究过程中，所有假设列表保持在可获得状态是个很好的主意，因为这个假设列表随着仿真的递进还要逐步增长。假如描述系统这一步做得非常好，建立计算机模型这一阶段将非常简便。
注意，获得足够的，能够体现特定仿真目的的系统本质的材料是必要的，但是不需要获得与真实系统一一对应的模型的描述。正如爱因斯坦所说“做到不能再简单为止”。
（4）列举可能的替代方案
在仿真研究中，确定模型早期运行的可置换方案是很重要的。它将影响着模型的建立。在初期阶段考虑替代方案，模型可能被设计成可以非常容易的转换到替换系统。
（5）收集数据和信息
收集数据和信息，除了为模型参数输入数据外，在验证模型阶段，还可以提供实际数据与模型的性能测度数据进行比较。数据可以通过历史纪录、经验、和计算得到。这些粗糙的数据将为模型输入参数提供基础，同时将有助于一些需要较精确输入参数数据的收集。
有些数据可能没有现成的记录，而通过测量来收集数据可能要费时、费钱。除了在模型分析中,模型参数需要极为精确的输入数据外,同对系统的每个参数的数据进行调查、测量的收集方式相比，采用估计方法来产生输入数据更为高效。估计值可以通过少数快速测量或者通过咨询熟悉系统的系统专家来得到。即使是使用较为粗糙的数据，根据最小值、最大值和最可能取值定义一个三角分布，要比仅仅采用平均值仿真效果都要好得多。有时候采用估计值也能够很好的满足仿真研究的目的。例如，仿真可能被简单的用来指导人员了解系统中特定的因果关系。在这种情况下，估计值就可以满足要求。
当需要可靠数据时，花费较多时间收集和统计大量数据，以定义出能够准确反映现实的概率分布函数就是非常必要的。需要的数据量的大小取决于变量的变异程度，但是也有通用的规则，大拇指法指出至少需要三十甚至上百的数据。假如要获得随机停机时间的输入参数，必须要在一个较长时间段内捕获足够多的数据。
（6）建立计算机模型
构建计算机模型的过程中，首先构建小的测试模型来证明复杂部件的建模是合适的。一般建模过程是呈阶段性的，在进行下一阶段建模之前，验证本阶段的模型工作正常，在建模过程中运行和调试每一阶段的模型。不会直接将整个系统模型构建起来，然后点击“运行”按钮来进行系统的仿真。抽象模型有助于定义系统的重要部分，并可以引导为后续模型的详细化而进行的数据收集活动。我们可能想对同一现实系统构建多个计算机模型，每个模型的抽象程度都不相同。
（7）验证和确认模型
验证是确认模型的功能是否同设想的系统功能相符合。模型是否同我们想构建的模型相吻合，产品的处理时间、流向是否正确等。确认范围更广泛。它包括：确认模型是否能够正确反映现实系统，评估模型仿真结果的可信度有多大等。
（8）验证
现在有很多技术可以用来验证模型。最最重要的、首要的是在仿真低速运行时，观看动画和仿真钟是否同步运行，它可以发现物料流程及其处理时间方面的差异。
另一种验证技术是在模型运行过程中，通过交互命令窗口，显示动态图表来询问资源和流动项目的属性和状态。
通过“步进”方式运行模型和动态查看轨迹文件可以帮助人们调试模型。运行仿真时，通过输入多组仿真输入参数值，来验证仿真结果是否合理也是一种很好的方法。在某些情况下，对系统性能的一些简单测量可以通过手工或使用对比而来获得。对模型中特定区域要素的使用率和产出率通常是非常容易计算出来的。
在调试模型中是否存在着某种特定问题时，推荐使用同一随机数流，这样可以保证仿真结果的变化是由对模型所做的修改引起的，同时对随机数流不做改动，有时对于模型运行在一些简单化假设下，非常有帮助，这些假设是为了更加简便的计算或预测系统性能。
（9）确认
模型确认建立模型的可信度。但是，现在还没有哪一种确认技术可以对模型的结果作出100%的确定。我们永远不可能证明模型的行为就是现实的真实行为。如果我们能够做到这一步，可能就不需要进行仿真研究的第一步（问题的定义）了。我们尽力去做的，最多只能是保证模型的行为同现实不会相互抵触罢了。
通过确认，试着判断模型的有效程度。假如一个模型在得到我们提供的相关正确数据之后，其输出满足我们的目标，那么它就是好的。模型只要在必要范围内有效就可以了，而不需要尽可能的有效。在模型结果的正确性同获得这些结果所需要的费用之间总存在着权衡。
判断模型的有效性需要从如下几方面着手：
①模型性能测度是否同真实系统性能测度匹配？
②如果没有现实系统来对比，可以将仿真结果同相近现实系统的仿真模型的相关运行结果作对比。
③利用系统专家的经验和直觉来假设复杂系统特定部分模型的运行状况。
对每一主要任务，在确认模型的输入和假设都是正确的，模型的性能测度都是可以测量的之前，需要对模型各部分进行随机测试。
④模型的行为是否同理论相一致？确定结果的理论最大值和最小值，然后验证模型结果是否落入两值之间。
为了了解模型在改变输入值后，其输出性能测度的变化方向，可以通过逐渐增大或减小其输入参数，来验证模型的一致性。
⑤模型是否能够准确的预测结果？这项技术用来对正在运行中的模型进行连续的有效性验证。
⑥是否有其他仿真模拟器模拟了这个模型？要是有的话那就再好不过了，可以将已有模型的模拟结果同现在设计的模型的运行结果进行对比。
（10）运行可替代实验
当系统具有随机性时，就需要对实验做多次运行。因为，随机输入导致随机输出。如果可能，在第二步中应当计算出已经定义的每一性能测度的置信区间。可替代环境能够单独构建，并可以通过使用WITNESS软件中的“Optimizer”模块来设置并自动运行仿真优化。
WITNESS软件的“Optimizer”模块为了执行优化操作，通过选择目标函数的最大化或最小化，定义需要实验的许多决策变量，需要达到的条件变量，需要满足的约束等，然后让优化模块负责搜索变量的可替换数字，来运行模型。最终得出决策变量集的优化解决方案，和最大化或最小化的模型目标函数。“Optimizer”模块设置了一套优化方法，包括遗传算法、仿真处理、禁忌搜索、分散搜索和其他的混合法来得出模型的优化配置方案。
在选择仿真运行长度时，考虑启动时间，资源失效可能间隔时间，处理时间或到达时间的时间或季节性差异，或其他需要系统运行足够长时间才能出现效果的系统特征变量，是非常重要的。
（11）输出分析
报表、图形和表格常常被用于进行输出结果分析。同时需要于今年用统计技术来分析不同方案的模拟结果。一旦通过分析结果并得出结论，要能够根据模拟的目标来解释这些结果，并提出实施或优化方案。使用结果和方案的矩阵图进行比较分析也是非常有帮助的。
‘伍’ matlab字符串匹配准确率
Matlab字符串匹配准确率是指在进行字符串匹配时，所得到的匹配结果与实际情况相符的程度。字符串匹配是一种常见的编程操作，它可以用来查找一个字符串中是否包含特定的字符序列，或者在多个字符串中查找匹配的子串。在Matlab中，可以使用函数如strfind和regexp来拍芦丛进行字符串匹配。
字符串匹配准确率的高低取决于多个因素，例如所用的匹配算法、匹配时所考虑的条件、字符串的长度和复杂度等等。一般来说，准确率越高，匹配结果就越可靠。
为了提高字符串匹配的准确率，可以采用以下几种方法：
1. 选择合适的匹配算法。不同的匹配算法适用于不同的字符串类型和匹配需求，例如暴力匹配、KMP算法和Boyer-Moore算法等。
2. 考虑哗如匹配时的条件。在实际应用中，匹配时需要考虑多个因素，例如字符串的大小写、空格、标点符号等等。如果忽略这些条件袭樱，可能会导致匹配结果的误差。
3. 对字符串进行预处理。在进行匹配前，可以对字符串进行预处理，例如去除无关字符、转换大小写等等。这样可以减少匹配时的干扰，提高准确率。
4. 使用多种匹配方法。如果一种匹配方法无法满足需求，可以尝试使用多种方法进行匹配，然后对结果进行综合分析，提高准确率。
总之，Matlab字符串匹配准确率的提高需要综合考虑多个因素，采用合适的方法和策略，才能得到更加准确的匹配结果。
‘陆’ 什么是智能优化算法
群体智能优化算法是一类基于概率的随机搜索进化算法，各个算法之间存在结构、研究内容、计算方法等具有较大的相似性。因此，群体智能优化算法可以建立一个基本的理论框架模式：
Step1：设置参数，初始化种群；
Step2：生成一组解，计算其适应值；
Step3：由个体最有适应着，通过比较得到群体最优适应值；
Step4：判断终止条件示否满足？如果满足，结束迭代；否则，转向Step2；
各个群体智能算法之间最大不同在于算法更新规则上，有基于模拟群居生物运动步长更新的（如PSO，AFSA与SFLA），也有根据某种算法机理设置更新规则（如ACO）。
(6)matlab禁忌搜索算法扩展阅读
优化算法有很多，经典算法包括：有线性规划，动态规划等；改进型局部搜索算法包括爬山法，最速下降法等，模拟退火、遗传算法以及禁忌搜索称作指导性搜索法。而神经网络，混沌搜索则属于系统动态演化方法。
优化思想里面经常提到邻域函数，它的作用是指出如何由当前解得到一个（组）新解。其具体实现方式要根据具体问题分析来定。
‘柒’ 模式识别与智能计算 matlab技术实现 怎么运行
《模式识别与智能计算―MATLAB技术实现（第3版）》广泛吸取统计学、神经网络、数据挖掘、机器学习、人工智能、群智能计算等学科的先进思想和理论，将其应用到模式识别领域中；以一种新的体系，系统、全面地介绍模式识别的理论、方法及应用。全书分为14章，内容包括：模式识别概述，特征的选择与优化空培，模式相似性测度，基于概率统计的贝叶斯分类器设计，判别函数分类器设计，神经网络分类器设计（BP神经网络、径向基函数神经网络、自组织竞争神经网络、概率斗卖唯神经网络、对向传播神经网络、反馈型神经网络），决策树分类器设计，粗糙集分类器设计，聚类分析配猜，模糊聚类分析，禁忌搜索算法聚类分析，遗传算法聚类分析，蚁群算法聚类分析，粒子群算法聚类分析。
《模式识别与智能计算―MATLAB技术实现（第3版）》内容新颖，实用性强，理论与实际应用密切结合，以手写数字识别为应用实例，介绍理论运用于实践的实现步骤及相应的Matlab代码，为广大研究工作者和工程技术人员对相关理论的应用提供借鉴。
‘捌’ 急求！谁能详细告诉我 神经网络法、模拟退火法、数学规划法、遗传算法、禁忌搜索哪个比较简单好用
神经网昌野络姿派，神经网络，用matlab工迹迅贺具箱。
原理复杂，用起来很简单。到网上搜“matlab中文论坛”。里面有视频，很好。
‘玖’ 禁忌搜索解决任务分配问题（matlab)
function main()
clear
taskNum = 50;
machNum = 8;
densityV = [0.2]%,0.5,0.8];
ccrV = [0.5]%,1,2];
saSHH = [];
SAtimeHH = [];
for density = densityV
for ccr = ccrV
[ETC,adjMatrix,memReq,memCap] = instance(taskNum,machNum,ccr,density); %% taskH,machH,ccr,density,type
SAresultHH = [];
tSAHH = [];
for iter = 1:5
SAStart = cputime;
[SACost,IteratorSolution] = SA(ETC,adjMatrix,memReq,memCap);
SAresultHH = [SAresultHH,SACost];
SAtime = cputime - SAStart;
tSAHH = [tSAHH,SAtime];
end
saSHH = [saSHH;SAresultHH];
SAtimeHH = [SAtimeHH;tSAHH];
end
end
meanSAsHH = mean(saSHH')
stdSAsHH = std(saSHH')
meanSAtHH = mean(SAtimeHH')
col_sa = length(IteratorSolution);
plot(1:col_sa,IteratorSolution,'-x','linewidth',1.0);
xlabel('Evaluation number');
ylabel('Fitness value');
legend('SA');
function [bestCost,IteratorSolution] = SA(ETC,adjMatrix,memReq,memCap,speed,machRelia,linkRelia)
[taskNum,machNum] = size(ETC);
S = randint(1,taskNum,[1,machNum]); %initial the s randomly
T = IniTemp(S,ETC,adjMatrix,memReq,memCap); %initial the temprature
% Tlow = IniTemp(S,ETC,adjMatrix,memReq,memCap,0.50001);
[cost,memLoad] = calcCost(S,ETC,adjMatrix,memReq,memCap);
Alpha = 0.9; %the value of Alpha
Bita = 1.05; %the value of Bita
Nrep = taskNum * machNum; %the count of inner loop
IteratorSolution = []; %record the change among the loop
bestS = S;
bestCost = cost;
deadline1 = 0; %the count of the outer loop
while deadline1 <= 20
findBest = 0;
iter = 1;
deadline2 = 0;
while (iter <= Nrep)
triS = S;
triCost = cost;
t = fix(1 + rand * taskNum);
p = triS(t);
q = fix(1 + rand * machNum);
while p == q
q = fix(1 + rand * machNum);
end
triS(t) = q;
triCost = triCost - ETC(t,p) + ETC(t,q);
adjTask = find(adjMatrix(t,:));
for k = adjTask %alter communication cost
switch triS(k)
case q
triCost = triCost - adjMatrix(t,k);
case p
triCost = triCost + adjMatrix(t,k);
end
end
if (memLoad(p) > memCap(p)) %calculate violation
if (memLoad(p) - memReq(t)) <= memCap(p)
triCost = triCost - (memLoad(p) - memCap(p));
else
triCost = triCost - memReq(t);
end
end
% there exists no memory violation before migration
if (memLoad(q) + memReq(t)) > memCap(q)
if memLoad(q) <= memCap(q)
triCost = triCost + (memLoad(q) + memReq(t) - memCap(q));
else % there exists memory violation before migration
triCost = triCost + memReq(t);
end
end
Dita = triCost - cost;
if Dita < 0
S = triS;
cost = triCost;
memLoad(p) = memLoad(p) - memReq(t);
memLoad(q) = memLoad(q) + memReq(t);
if (triCost < bestCost)
bestS = triS;
bestCost = triCost;
deadline2 = 0;
findBest = 1;
end
else
if rand < exp(-Dita/T)
S = triS;
cost = triCost;
memLoad(p) = memLoad(p) - memReq(t);
memLoad(q) = memLoad(q) + memReq(t);
end
deadline2 = deadline2 + 1;
if deadline2 >= taskNum * machNum
break;
end
end
iter = iter + 1;
IteratorSolution = [IteratorSolution,cost];
end
T = Alpha * T;
Nrep = Bita * Nrep;
if findBest
deadline1 = 0;
else
deadline1 = deadline1 + 1;
end
end
function [totalCost,memLoad] = calcCost(S,ETC,adjMatrix,memReq,memCap)
[tN,mN] = size(ETC);
totalCost = 0;
memLoad = zeros(1,mN);
for t = 1:tN
totalCost = totalCost + ETC(t,S(t));
memLoad(S(t)) = memLoad(S(t)) + memReq(t);
for k = t+1:tN %t or t+1?
if (adjMatrix(t,k)>0) && (S(k) ~= S(t))
totalCost = totalCost + adjMatrix(t,k);
end
end
end
for m = 1:mN
if memLoad(m) > memCap(m)
totalCost = totalCost + (memLoad(m) - memCap(m));
end
end
function [ETC,adjMatrix,memReq,memCap] = instance(taskNum,machNum,ccr,density)
ETC = fix(1 + 200 * rand(taskNum,machNum));
for i = 1:taskNum-1
for j = i+1:taskNum
if (rand < density)
adjMatrix(i,j) = fix(2 * (1 + 200 * rand) * ccr / ((taskNum-1) * density));
else
adjMatrix(i,j) = 0;
end
adjMatrix(j,i) = adjMatrix(i,j);
end
end
% memory requirement of each task
memReq = fix(1 + 50 * rand(1,taskNum));
% memory capacity of each processor
memCap = fix((1 + rand(1,machNum)) * sum(memReq) / machNum);
function T = IniTemp(S,ETC,adjMatrix,memReq,memCap)
[taskNum,machNum] = size(ETC);
SumCi = 0;
AccValue = 0.9;
Ci = 0;
Cr = 0;
[cost,memLoad] = calcCost(S,ETC,adjMatrix,memReq,memCap); % calculate the total cost
for countNum = 1:200
triS = S;
triCost = cost;
t = fix(1 + taskNum * rand);
p = triS(t);
q = fix(1 + machNum * rand);
while p == q
q = fix(1 + machNum * rand);;
end
triS(t) = q;
triCost = triCost - ETC(t,p) + ETC(t,q);
adjTask = find(adjMatrix(t,:));
for k = adjTask %alter communication cost
switch triS(k)
case q
triCost = triCost - adjMatrix(t,k);
case p
triCost = triCost + adjMatrix(t,k);
end
end
if (memLoad(p) > memCap(p)) %calculate violation
if (memLoad(p) - memReq(t)) <= memCap(p)
triCost = triCost - (memLoad(p) - memCap(p));
else
triCost = triCost - memReq(t);
end
end
% there exists no memory violation before migration
if (memLoad(q) + memReq(t)) > memCap(q)
if memLoad(q) <= memCap(q)
triCost = triCost + (memLoad(q) + memReq(t) - memCap(q));
else % there exists memory violation before migration
triCost = triCost + memReq(t) ;
end
end
memLoad(p) = memLoad(p) - memReq(t);
memLoad(q) = memLoad(q) + memReq(t);
Dita = triCost - cost;
if Dita > 0
Ci = Ci + 1;
SumCi = SumCi + Dita;
else
Cr = Cr + 1;
end;
S = triS;
cost = triCost;
end;
Ca = SumCi / Ci;
T = -Ca / (log((AccValue - 1) * Cr / Ci + AccValue));
function T = calculateT(ETC,adjMatrix,tN,mN,solNum)
sol = fix(1+mN*rand(solNum,tN));
for i = 1:solNum
Fitness(i) = fitnessCal(ETC,adjMatrix,sol(i,:),tN);
end
T = max(Fitness) - min(Fitness);
% ***** the following function has no relation with the above ***** %
function machLoad = calcLoad(A,ETC,adjMatrix) % Objective 2
[tN,mN] = size(ETC);
machLoad = zeros(1,mN);
for k = 1:tN
machLoad(A(k)) = machLoad(A(k)) + ETC(k,A(k));
for h = k+1:tN
if (adjMatrix(k,h) > 0 && A(k) ~= A(h))
machLoad(A(k)) = machLoad(A(k)) + adjMatrix(k,h);
machLoad(A(h)) = machLoad(A(h)) + adjMatrix(k,h);
end
end
end
‘拾’ Matlab神经网络原理中可以用于寻找最优解的算法有哪些
若果对你有帮助，请点赞。
神经网络的结构（例如2输入3隐节点1输出）建好后，一般就要求神经网络里的权值和阈值。现在一般求解权值和阈值，都是采用梯度下降之类的搜索算法（梯度下降法、牛顿法、列文伯格-马跨特法、狗腿法等等），这些算法会先初始化一个解，在这个解的基础上，确定一个搜索方向和一个移动步长（各种法算确定方向和步长的方法不同，也就使各种算法适用于解决不同的问题），使初始解根据这个方向和步长移动后，能使目标函数的输出（在神经网络中就是预测误差）下降。 然后将它更新为新的解，再继续寻找下一步的移动方向的步长，这样不断的迭代下去，目标函数（神经网络中的预测误差）也不断下降，最终就能找到一个解，使得目标函数（预测误差）比较小。
而在寻解过程中，步长太大，就会搜索得不仔细，可能跨过了优秀的解，而步长太小，又会使寻解过程进行得太慢。因此，步长设置适当非常重要。
学习率对原步长（在梯度下降法中就是梯度的长度）作调整，如果学习率lr = 0.1,那么梯度下降法中每次调整的步长就是0.1*梯度，
而在matlab神经网络工具箱里的lr,代表的是初始学习率。因为matlab工具箱为了在寻解不同阶段更智能的选择合适的步长，使用的是可变学习率，它会根据上一次解的调整对目标函数带来的效果来对学习率作调整，再根据学习率决定步长。
机制如下：
if newE2/E2 > maxE_inc %若果误差上升大于阈值
lr = lr * lr_dec; %则降低学习率
else
if newE2 < E2 %若果误差减少
lr = lr * lr_inc;%则增加学习率
end
详细的可以看《神经网络之家》nnetinfo里的《[重要]写自己的BP神经网络(traingd)》一文，里面是matlab神经网络工具箱梯度下降法的简化代码