指派问题的基本内容 一般来说指派问题解决的是如何将任务分配到人,使得任务完成的效益最大化(成本型效益则求最小值,利润型效益则求最大值).上述问题一个 0 - 1 整数规划问题. 问题围绕着任务和人展开,即存在着 m 个任务,以及 n 个人.每个人处理每个任务都会有对应的效益,将所有人的情况写在一起,就组成了一个 m*n 的效益矩阵. 当 m = n 时,即此时,任务数和人数相等,那么每个人都会处理一项任务,存在如下约束: 对于任务来说,每个任务必须分配一个人: 对于人来说,每个人必须分配一个任务

大家好,我是Mac Jiang,今天和大家分享Coursera-NTU-機器學習基石(Machine Learning Foundations)-作业四 Q13-20的MATLAB实现. 曾经的代码都是通过C++实现的.可是发现C++实现这些代码太麻烦.这次作业还要频繁更改參数值,所以选择用MATLAB实现了.与C++相比.MATLAB实现显然轻松非常多.在数据导入方面也更加方便.我的代码尽管可以得到正确答案,可是当中可能有某些思想或者细节是错误的,假设各位博友发现,请及时留言纠正,谢谢.再次声

流水线型车间作业调度问题遗传算法Matlab源码流水线型车间作业调度问题可以描述如下:n个任务在流水线上进行m个阶段的加工,每一阶段至少有一台机器且至少有一个阶段存在多台机器,并且同一阶段上各机器的处理性能相同,在每一阶段各任务均要完成一道工序,各任务的每道工序可以在相应阶段上的任意一台机器上加工,已知任务各道工序的处理时间,要求确定所有任务的排序以及每一阶段上机器的分配情况,使得调度指标(一般求Makespan)最小.下面的源码是求解流水线型车间作业调度问题的遗传算法通用MATLAB源码,属于

大家好,我是Mac Jiang,非常高兴您能在百忙之中阅读我的博客!这个专题我主要讲的是Coursera-台湾大学-機器學習基石(Machine Learning Foundations)的课后习题解答.笔者是在学习了Ng的Machine Learning之后開始学习这门课程的.但还是感觉收获颇丰.Ng的课程主要站在计算机专业的角度.教你怎样使用机器学习.注重方法而不是数学推导,是一门非常好的新手教程.而林轩田老师的机器学习基石是站在统计分析角度,证明机器学习算法为什么要这么做,更加注重于理论的

一.基本操作 本课程有编程作业,编程作业需要使用Matlab或Octave,本文章使用Octave.下载地址:http://www.gnu.org/software/octave/#install.安装完成后,打开GNU Octave (GUI)开始写代码. 1.基本运算 值得注意的是Octave使用“^”符号表示次幂,而不是向其他语言一样表示异或,而异或运算使用xor()函数.并且不等于使用“~=”而不是“!=”. % 基本运算 5 + 6 3 - 2 5 * 8 1 / 2 % 0.5 2

原文:Matlab随笔之指派问题的整数规划 注:除了指派问题外,一般的整数规划问题无法直接利用Matlab函数,必须Matlab编程实现分支定界法和割平面解法. 常用Lingo等专用软件求解整数规划问题. %指派矩阵为 % 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 % %解题过程 c=[3 8 2 10 3; 8 7 2 9 7; 6 4 2 7 5; 8 4 2 3 5; 9 10

1.dlmread——将以 ASCII 码分隔的数值数据读入到矩阵中 dt = dlmread(,); dt = dt(:,); save('data2.txt','dt','-ascii'); 2.mean mean(A) % 求各行的均值 mean(A,) % 求各列的均值 3.min/max *dim=1 返回行向量,每列的最大值 dim=2 返回列向量,每行的最大值 max(A,[],dim) 4.round 四舍五入取整(向最近的整数取整) 5.struct s = struct('f

02整数规划 蒙特卡洛法(随机取样法) 编写文件mengte.m,目标函数f和约束向量g function[f,g]=mengte(x); f=x(1)^2+x(2)^2+3*x(3)^2+4*x(4)^2+2*x(5)^2-8*x(1)-2*x(2)-3*x(3)-x(4)-... 2*x(5); g=[ sum(x)-400 x(1)+2*x(2)+2*x(3)+x(4)+6*x(5)-800 2*x(1)+x(2)+6*x(3)-200 x(3)+x(4)+5*x(5)-200 ]; 主函

指派授课问题 现有A.B.C.D四门课程,需由甲.乙.丙.丁四人讲授,并且规定: 每人只讲且必须讲1门课:每门课必须且只需1人讲. 四人分别讲每门课的费用示于表中: 课 费用 人 A B C D 甲 2 10 9 7 乙 15 4 14 8 丙 13 14 16 11 丁 4 15 13 9 带包python代码: from scipy.optimize import linear_sum_assignment import numpy as np #cost =np.array([[4,1,3

画曲线y=xsin(ex-x),要求编写m文件,qx1.m,要求有标注 实现方法: 打开matlab,点击左上角新建 然后打开编辑器 在编辑器里输入函数语句 ctrl+s保存,这里的名字要命名成×××.m的形式,×××要以字母开头,如果定义函数 则命名成函数的名字否则不执行 在命令行窗口写入保存的函数的名字 enter运行 命令完成.

(2019年2月19日注:Matlab这门课是在我大四上学期经历的,那时候开这篇文章是为了记录学习Matlab的时候遇到的坑,所以将所有的作业题合并到一篇文章中) 1.创建一个10*10的矩阵,矩阵所有对角元素为1,其余元素为10~20之间(包括10和20)的均匀分布随机数,并得出该矩阵中大于13且小于18的元素个数,同时求得这些元素的平均数. A=unifrnd(10,20,10,10); % 产生一个10*10的由10到20均匀分布的矩阵 % eye()产生了一个单位对角矩阵 % logic

1 c=[ ; ; ; ]; c=c(:);%将矩阵C按列拉直,然后赋给C,例如矩阵C=[,,;,,],操作完后就是列向量1,,,,, a=zeros(,); for i=: a(i,(i-)*+:*i)=; %通过循环,将a的第一行的1到5,第二行的6到10一直到第五行的21到25赋值为1 a(+i,i::)=; %将a的第六行的1.... %第七行的2.... %第八1653行的3.... %第九行的4.... %第十行的5....25赋值为1 end b=ones(,); intcon=[

写出下列语句的计算结果及作用 1.A= [2 5 7 3 1 3 4 2];    创建二维数组并赋值 2.[rows, cols] = size(A);    ​把A的尺寸赋值给数组,rows为行,cols为列 3.odds = 1:2:cols;    ​创建从1到cols的数组,步数为二 4.disp('odd columns of A using predefined indices')    ​显示一句话 5.A(:,odds)    ​创建一个数组,它由A中的第odds列组成 6.d

syms f x1 x2 f=(1/2)*x1^2+x2^2; x=[2;1]; a=[1 0;0 2];% A g1=diff(f,x1); g2=diff(f,x2); g=[g1;g2];%导数 % x1 g11=subs(g1,{x1,x2},{x(1) x(2)}); g22=subs(g2,{x1,x2},{x(1) x(2)}); g=[g11;g22] d=-g; d11=subs(d(1),{x1,x2},{x(1) x(2)}); d22=subs(d(2),{x1,x2},

题目下载[传送门] 第1题 简述:对于一组网络数据进行异常检测. 第1步:读取数据文件,使用高斯分布计算 μ 和 σ²: % The following command loads the dataset. You should now have the % variables X, Xval, yval in your environment load('ex8data1.mat'); % Estimate my and sigma2 [mu sigma2] = estimateGaussia

题目下载[传送门] 第1题 简述:实现K-means聚类,并应用到图像压缩上. 第1步:实现kMeansInitCentroids函数,初始化聚类中心: function centroids = kMeansInitCentroids(X, K) % You should return this values correctly centroids = zeros(K, size(X, 2)); randidx = randperm(size(X, 1)); centroids = X(rand

题目下载[传送门] 第1题 简述:支持向量机的实现 (1)线性的情况: 第1步:读取数据文件,可视化数据: % Load from ex6data1: % You will have X, y in your environment load('ex6data1.mat'); % Plot training data plotData(X, y); 第2步:设定不同的C,使用线性核函数训练SVM,并画出决策边界: C = 1; model = svmTrain(X, y, C, @linearK

题目下载[传送门] 第1步:读取数据文件,并可视化: % Load from ex5data1: % You will have X, y, Xval, yval, Xtest, ytest in your environment load ('ex5data1.mat'); % m = Number of examples m = size(X, 1); % Plot training data plot(X, y, 'rx', 'MarkerSize', 10, 'LineWidth', 1

题目下载[传送门] 题目简述:识别图片中的数字,训练该模型,求参数θ. 第1步:读取数据文件: %% Setup the parameters you will use for this exercise input_layer_size = 400; % 20x20 Input Images of Digits hidden_layer_size = 25; % 25 hidden units num_labels = 10; % 10 labels, from 1 to 10 % (note

题目太长了!下载地址[传送门] 第1题 简述:识别图片上的数字. 第1步:读取数据文件: %% Setup the parameters you will use for this part of the exercise input_layer_size = 400; % 20x20 Input Images of Digits num_labels = 10; % 10 labels, from 1 to 10 % (note that we have mapped "0" to