摘要： 以上是基本原理 注意其引脚的选择，需选择此列表的引脚 引脚锁定后，再次运行，其仿真结果如下： 阅读全文

摘要： function [intx,intf] = DividePlane(A,c,b,baseVector) %功能：用割平面法求解整数规划 %调用格式：[intx,intf]=DividePlane(A,c,b,baseVector) %其中，A：约束矩阵； % c：目标函数系数向量； % b：约束右 阅读全文

摘要： 非线性规划 其中f(x)是标量函数，A,b,Aeq,beq,lb,ub是相应维数的矩阵和向量，c(x),ceq(x)是非线性向量函数 二次规划 阅读全文

摘要： function [newx,newfval,status,newbound] = branchbound(f,A,B,I,x,fval,bound,Aeq,Beq,lb,ub,e) % 分支定界法求解整数规划 % f,A,B,Aeq,Beq,lb,ub与线性规划相同 % I为整数限制变量的向量 % 阅读全文

摘要： 矩阵 3 8 2 10 3 8 7 2 9 7 6 4 2 7 5 8 4 2 3 5 9 10 6 9 10 指派问题代码实现 c=[3 8 2 10 3;8 7 2 9 7;6 4 2 3 5;8 4 2 3 5;9 10 6 9 10]; c=c(:); %把矩阵c转化为向量 a=zeros( 阅读全文

摘要： %% max z=2x1+3x2-5x3 %% s.t. x1+x2+x3=7 %% x1+3x2+x3<=12 %% x1,x2,x3>=0 clear all; close all; f=[-2;-3;5]; a=[-2,5,-1;1,3,1];b=[10;12]; aeq=[1,1,1];be 阅读全文

摘要： %% 学习目标：BP神经网络 %% 函数逼近 数据压缩 模式识别 %% 考虑要素： 网络层数 输入层的节点数 输出层的节点数 隐含层的节点数 %% 传输函数 训练方法 %% 对信号曲线进行拟合 clear all; P=-1:0.04:1; T=sin(2*pi*P)+0.1*randn(size( 阅读全文

摘要： %%学习目标：线性神经网络 %%收敛速度和精度比之前讲的感知器神经网络要高 %%主要应用在函数逼近，信号预测，模式识别，系统辨识方面 clear all; close all; P=[1.1 2.2 3.1 4.1]; T=[2.2 4.02 5.8 8.1]; lr=maxlinlr(P); %获 阅读全文

摘要： %%学习目标：使用建立好的神经网络（训练好并保存，下次直接调用该神经网络） clear all; close all; P=[-0.4 -0.4 0.5 -0.2 -0.7;-0.6 0.6 -0.4 0.3 0.8]; %输入变量 T=[1 1 0 0 1]; %输入向量 plotpv(P,T); 阅读全文

摘要： 学习目标：从学习第一个最简单的神经网络案例开启学习之路 %% 感知器神经网络 用于点的分类 clear all; close all; P=[0 0 1 1;0 1 0 1]; %输入向量 T=[0 1 1 1]; %目标向量 net=newp(minmax(P),1,'hardlim','lear 阅读全文