筆者曾拿以前在商院修課時寫下 source code 做 demo ,
一些問題可能是找不到合適書籍或文獻所造成,
在 coding 過四五個問題後,這裡只簡述一遍 GA 整個流程,
和一般在課本上看到的可能不一樣,因筆者是在商院學的,看的文獻也是偏商的文獻
這系列講的 GA 問題,是以數學方程式
- 6月 16 週六 201200:02
[GA] 基因演算法概念細說 (I) - 編解碼
- 1月 14 週六 201221:15
[GA] 基因演算法(Genetic Algorithm, GA) - Introduction and C code
回目錄
轉載啟示
這篇文章是我轉自另一篇 blog 之 ga code,原標題為 基因演算法Genetic Algorithm, GA - Introduction and C code ,想不到大獲好評,該網誌 10% 以上人氣源自於此文,
原文裡其實有不少與其他網友討論之處,是可苳後續版友參考但
- 12月 09 週五 201106:32
[AI] C 語言 KMean 演算法
簡介與概述
此處指的 KMean 名詞上可能與它處不同,如 KMeansk-meansKMeans 等,中文譯為 K 平均較不建議譯為中文,很容易與股票裡之 K 平均線作為聯想
假設有 X 筆資料,現欲將此 X 筆資料分類成 K 類,條件是分配到同一類的資料,必須盡可能的在各方面條件都相仿,此時便適
- 11月 27 週日 201121:33
[AI] Data Mining
不確定一般 Data Mining 課程學校裡面是怎麼上的,印象中翻國內不同領域之相關文獻,
所著重之流程不盡相同,應是不同科系對於 Data Mining 之重點應不同
資工 - 著重演算法分析
資管 - 著重現成軟體實際操作
其餘商管 企管財經行銷等 - 著重探勘結果後之分析與解釋
站在商管角度
- 10月 19 週三 201103:00
[pso] C語言 pso 完整程式碼 (pso_quality)

回目錄
在上一篇 pso 粒子移動pso 參數設定技巧 文章裡面,
筆者提到了幾個 pso 參數設定方式,及一般 coder 較少注意之地方,
這次要實做之程式碼,乃根據其一般 coding 時之缺點加以改善,
同時 fitness function 測試函式,強度再加強 更難找到 global s
- 10月 19 週三 201101:19
[pso] C 語言第一個 pso 程式 - 架構改善實作 (pso_math)

回目錄
在上一篇 pso C 語言第一個 pso 程式 - 架構改善 文章裡面,
已提到了關於一些 pso 架構改善之部份,原本程式碼 pso C 語言第一個 pso 程式
欲改善之原因主要有三
1. 程式碼內只適用少數之變數個數
這部份並不完全是改善的重大原因,因在一些問題裡,
實際上 fitne
- 10月 15 週六 201121:50
[AI] meta-heuristic algorithm 啟發式演算法 ( 序 )
回目錄
meta-heuristic algorithm ,啟發式演算法,
可能我的習慣較不好,在口語或文章時,常直接說是尋優式演算法,
此系列文章若不意出現尋優式演算法,即意指 meta-heuristic algorithm
Coding 前 ...
可能是論文季,這陣子收到不少信函尋問關於啟
- 10月 15 週六 201116:54
[pso] 粒子移動(pso) 參數設定技巧
回目錄
在 pso 初步 - 粒子移動演算法精髓 時,
我用了很不正式的敘述說明了 pso 演算法一些參數,
此篇做為稍加詳細之介紹,整體上介紹圍繞在速度更新之公式上
以下符號,若出現 rnd,代表取 0,1 之間之浮點數亂;
若出現 randoma, b,代表取 a,b 之間之浮點亂數
速度更新公
- 10月 15 週六 201101:23
[AI] meta-heuristic algorithm 啟發式演算法 ( 目錄 )
meta-heuristic algorithm 啟發式演算法 目錄
零 序
AI meta-heuristic algorithm 啟發式演算法 序
壹 貪婪演算法 Greedy Algorithm
貮 粒子群移動演算法 Particle Swarm Optimization
1. pso
- 10月 15 週六 201100:04
[pso] C 語言第一個 pso 程式 - 架構改善
回目錄
在 pso C 語言第一個 pso 程式 這篇文章中,大致上已把 C 語言撰寫粒子移動演算法架構都寫了出來,這篇續集,主要是在討論一般在 C language 中,在一般數學式極值情況下,較常使用到的架構
在該程式碼裡面,假設了適應函數 max fx = x3 - 0.8x2 - 1000
