我正在寻找一个名为deap的python,但在一开始就被困住了。
第一段说:
问题很简单,我们搜索一个填好的单子。
1 filled list是什么意思?搜索一份填好的名单,从哪里?个人名单还是个人名单?
Google One Max Problem只提供了一些似乎有用的信息:
有一个最大一个问题我可以理解,但是它和One Max Problem一样吗?如果是这样的话,我有一个问题,为什么需要evolutionary algorithm to "evolve" our population until eventually the target emerges.?如果我是一名医
现在,我正在创建具有bezier控制柄的多边形。它工作得很好,除了现在我总是这样做:
for(float i = 0; i < 1; i += 0.04)
{
interpolate A, a.handle to B.handle, B at time i
}
问题是,无论点A和B之间的距离有多短或多长,它总是会产生相同数量的点。我怎么做才能让它看起来总是很好,但只能插值到它必须的程度。例如:如果Distance(A,B)是40,那么它可能只细分15次,但如果Distance(A,B)是20,它可能只细分7次,等等。我如何才能将其作为质量ex的函数:
float GetThresh
我正在建立一个使用差分进化推荐系统的网站。该网站将询问用户的预算和一些标准,并将返回最佳套餐。数据字段如下所示,我有8个维度(表)。
Id | Name | Price
1 | A | $100
2 | B | $300
到目前为止,我已经想出了这个方程:
f = 1/abs(budget-x1-x2-x3-x4-x5-x6-x7-x8)+1
abs=(absolute)
x1 = 1st Dimension $ price
x2 = 2nd Dimension $ price
and so on
有没有人有更好的解决方案,或者有接近这类问题的文献?
提前感谢
我目前正在寻找一种方法,一个具有多个输入的网络可以优化其超参数.scikit-learn有网格搜索简历,但是Keras只支持使用scikit-包装器的单个输入。
还有别的办法吗?
@Emre -最低工作示例:
def train_generator():
while True:
train_input = np.random.randint(100,size=(1,33,8,45,3))
train_input_list = np.split(train_input,33,axis=1)
for i in range(len(train
我是一个Python程序员,在这种情况下,我不得不模拟列表元素组合的遗传进化。现将这一构想介绍如下:
li #initial list
combinations=get_combinations(li) #not all possible combinations
results=[]
for c in combinations: results.append(do_stuff(li)) #do_stuff returns percantage of accuracu
最后,我有两个列表:combinations,它保存了li元素和results的一些组合,为每个组合保持了一个遍历值o的准确性
我写了一段代码,实现了一个简单的遗传算法来最大化:
f(x) = 15x - x^2
该函数在7.5时达到最大值,因此代码输出应该是7或8,因为总体是整数。当我运行代码10次时,我得到了大约7或8次,其中3次10次。我应该做什么修改来进一步改进算法,以及不同类型的遗传算法是什么?
代码如下:
from random import *
import numpy as np
#fitness function
def fit(x):
return 15*x -x**2
#covert binary list to decimal number
def to_dec(x):
ret