博客文章

本文将用尽量通俗易懂的语言， 为了解过和没了解过图灵完备和分形的读者讲解用分形思想来通过机器赛跑这一关并达成成就“小机快跑”的思路， 同时也将给出实现该思路的汇编代码。

首先是构建数据集 这里我使用了随机生成用户和项目，以及用户对项目的评价，喜欢（1）与不喜欢（0） import random import pandas import numpy as np def build_dataframe() - pandas.DataFrame: datasets = { 'userID': [], 'itemID': [],

交叉算子 在常见的交叉算子中，经常会有选取基因片段的操作，有的是连续选取，有的是不连续选取，对于连续选取的交叉算子，我使用的都是环形选择，具体操作是这样的：首先给定起点l和终点m，以及基因长度L，如果l<m，则选取l到m这段基因；如果l>m，则选取0到m和l到L这两段基因，这样可以保证每一“碱基对”被选到的概率是相等的。 交叉算子这里我主要参考的是： https://blog.csdn.net/u

前言 遗传算法的一些思路我在开篇有提到一些，这里给出具体过程： 1、生成两个种群，分别使用BL算法和BL_plus算法； 2、开始迭代 3、调用两个种群的update_max()函数更新最优个体 4、如果两个种群中有最优解（也就是12家店铺全部铺上去了），则跳出循环，返回该个体； 5、如果达到迭代次数，则跳出循环，返回两个种群的最优个体； 6、如果达到交换迭代次数，则： 假设种群P1的最优个体适应

个体类：Individual 属性 一个个体在遗传算法中最关键的属性是基因编码和性状，为此还需要引出一个原始基因的定义（在敲代码的时候我把这玩意儿叫做基因库，但是后来查资料才发现，基因库是用来储存优秀个体，提高种群质量的，和我这里的作用并不相同，所以作出修正）。原始基因就是题目给定的这12个店铺，而在生成个体的基因的时候就只是单纯的在这条原始基因上进行随机重排序操作和随机旋转操作；性状则是进行这两

种群类：Population 属性 种群类首先要储存的便是上一篇中提到的原始基因；其次为了应用精英保存策略、择伏分配等，需要记录最优个体的相关信息；同时在计算交叉变异概率的时候，需要用到求平均适应值的方法，所以为了简化计算，储存每个个体的适应值是很有必要的。 /// summary /// 个体列表 /// /summary public ListIndividual ind; /// summ

介绍 本代码是用C#实现的。在开始代码解析之前，先把要用到的数据贴出来： | 店铺id | 店铺宽度 | 店铺高度 | 入口位置 | | ------ | -------- | -------- | -------- | | 1 | 9 | 6 | （5，6） | | 2 | 5 | 6 | （1，6） | | 3

前言 前段时间无聊回坑玩《开罗拉面店》，这是一款模拟经营类的小游戏，不管是画风还是游戏性都很对我胃口。 里面有一个玩法是拉面店布局，就给你一块地，还有几家店铺，你可以随便铺随便摆，当然肯定是摆的越多家店铺越好。 我一开始玩的时候也没想那么多，随便摆了摆就完事了，但玩到后期人气上不去，我就突发奇想，能不能把所有店铺摆进去？或者能不能尽可能多地去铺满这块地？ 我就到处去找资料，然后有找到一个帖子是摆了

LittleWhite One 魔改chatterbot框架实现的新版小白~ 简介 core：核心框架，魔改版chatterbot corpus：英文和中文训练语料 nltk_data：需要用到的nltk数据集 文本相似度算法 LevenshteinDistance SpacySimilarity JaccardSimilarity Levenshtein Distance算法 中文名：莱文斯坦距