最新章節(jié)

• 圖書推薦
• 11.6.7 禁忌搜索算法的應用
• 11.6.6 禁忌搜索算法的特點
• 11.6.5 禁忌搜索的基本思想
• 11.6.4 局部鄰域搜索
• 11.6.3 禁忌搜索與局部鄰域搜索

• 圖書推薦 更新時間：2023-08-25 10:53:52
• 11.6.7 禁忌搜索算法的應用
• 11.6.6 禁忌搜索算法的特點
• 11.6.5 禁忌搜索的基本思想
• 11.6.4 局部鄰域搜索
• 11.6.3 禁忌搜索與局部鄰域搜索
• 11.6.2 啟發(fā)式搜索算法與傳統(tǒng)的方法
• 11.6.1 禁忌搜索的相關(guān)理論
• 11.6 禁忌搜索算法
• 11.5.11 遺傳算法的應用
• 11.5.10 適應度函數(shù)的調(diào)整
• 11.5.9 算法參數(shù)設計原則
• 11.5.8 遺傳算子
• 11.5.7 適應度函數(shù)
• 11.5.6 染色體的編碼
• 11.5.5 遺傳算法的特點
• 11.5.4 遺傳算法的運算過程
• 11.5.3 遺傳算法的名稱解釋
• 11.5.2 遺傳算法的生物學基礎(chǔ)
• 11.5.1 遺傳算法概述
• 11.5 遺傳算法
• 11.4.4 模擬退火的MATLAB實現(xiàn)
• 11.4.3 模擬退火算法的MATLAB工具箱
• 11.4.2 模擬退火尋優(yōu)實現(xiàn)步驟
• 11.4.1 模擬退火算法的理論
• 11.4 模擬退火算法
• 11.3.4 蟻群算法的MATLAB實現(xiàn)
• 11.3.3 蟻群優(yōu)化算法的應用
• 11.3.2 蟻群算法的重要規(guī)則
• 11.3.1 蟻群的基本概念
• 11.3 蟻群算法
• 11.2.5 粒子群算法的MATLAB實現(xiàn)
• 11.2.4 算法基本流程
• 11.2.3 算法的基參數(shù)設置
• 11.2.2 算法構(gòu)成要素
• 11.2.1 基本原理
• 11.2 粒子群算法
• 11.1.5 粒子群算法與其他進化算法的異同
• 11.1.4 粒子群的特點
• 11.1.3 粒子群的算法建模
• 11.1.2 全局與局部模式
• 11.1.1 粒子群算法的基本原理
• 11.1 粒子群概述
• 第11章 智能優(yōu)化算法
• 10.3.3 LIBSVM使用
• 10.3.2 LIBSVM使用的函數(shù)
• 10.3.1 LIBSVM使用的數(shù)據(jù)格式
• 10.3 LIBSVM軟件包簡介
• 10.2.3 非線性支持向量機
• 10.2.2 線性支持向量機
• 10.2.1 最優(yōu)超平面
• 10.2 支持向量機
• 10.1.3 結(jié)構(gòu)風險最小化原則
• 10.1.2 經(jīng)驗風險最小化原則
• 10.1.1 機器學習
• 10.1 統(tǒng)計學習理論基礎(chǔ)
• 第10章 支持向量機
• 9.10.2 仿真實例
• 9.10.1 RBF網(wǎng)絡的MATLAB工具箱
• 9.10 徑向基網(wǎng)絡的MATLAB仿真實例
• 9.9.2 廣義RBF網(wǎng)絡
• 9.9.1 正規(guī)化RBF網(wǎng)絡
• 9.9 徑向基神經(jīng)網(wǎng)絡
• 9.8.2 BP網(wǎng)絡仿真實例
• 9.8.1 BP神經(jīng)網(wǎng)絡的MATLAB工具箱
• 9.8 BP網(wǎng)絡的MATLAB仿真實例
• 9.7.2 BP算法的改進
• 9.7.1 BP算法的不足
• 9.7 BP算法的不足與改進
• 9.6.3 反向傳播實例
• 9.6.2 BP神經(jīng)網(wǎng)絡算法原理
• 9.6.1 BP神經(jīng)網(wǎng)絡結(jié)構(gòu)
• 9.6 BP神經(jīng)網(wǎng)絡
• 9.5 神經(jīng)網(wǎng)絡及其分類
• 9.4 人工神經(jīng)網(wǎng)絡的學習
• 9.3.2 網(wǎng)絡信息流向類型
• 9.3.1 網(wǎng)絡拓撲類型
• 9.3 人工神經(jīng)網(wǎng)絡的結(jié)構(gòu)建模
• 9.2.2 常用的神經(jīng)元數(shù)學模型
• 9.2.1 M-P模型
• 9.2 人工神經(jīng)元的數(shù)學建模
• 9.1.3 生物神經(jīng)網(wǎng)絡的信息處理
• 9.1.2 生物神經(jīng)元的信息處理機理
• 9.1.1 生物神經(jīng)元的結(jié)構(gòu)
• 9.1 生物神經(jīng)網(wǎng)絡
• 第9章 神經(jīng)網(wǎng)絡基本理論
• 8.9.3 仿真實例
• 8.9.2 滑模控制器設計
• 8.9.1 系統(tǒng)描述
• 8.9 基于低通濾波器的滑模控制
• 8.8.2 滑模變結(jié)構(gòu)控制的基本結(jié)構(gòu)
• 8.8.1 滑模變結(jié)構(gòu)的基本控制策略
• 8.8 滑模變結(jié)構(gòu)控制的基本方法
• 8.7.2 滑模運動段
• 8.7.1 正常運動段
• 8.7 滑模變結(jié)構(gòu)控制系統(tǒng)的動態(tài)品質(zhì)
• 8.6.3 滑模運動的穩(wěn)定性
• 8.6.2 滑動模態(tài)的可達性及廣義滑模
• 8.6.1 滑動模態(tài)的存在性
• 8.6 滑模變結(jié)構(gòu)控制的基本問題
• 8.5.2 滑模運動
• 8.5.1 等效控制
• 8.5 等效控制及滑模運動
• 8.4.2 關(guān)于菲力普夫理論的說明
• 8.4.1 滑動模態(tài)的存在條件
• 8.4 菲力普夫理論
• 8.3.2 滑動模態(tài)的數(shù)學表達
• 8.3.1 滑動模態(tài)
• 8.3 滑動模態(tài)及其數(shù)學表達
• 8.2.2 變結(jié)構(gòu)系統(tǒng)中的滑動模態(tài)
• 8.2.1 開關(guān)控制
• 8.2 開關(guān)控制與滑模變結(jié)構(gòu)控制
• 8.1.4 變結(jié)構(gòu)控制的特點
• 8.1.3 變結(jié)構(gòu)系統(tǒng)的數(shù)學模型
• 8.1.2 變結(jié)構(gòu)控制系統(tǒng)的品質(zhì)
• 8.1.1 變結(jié)構(gòu)控制
• 8.1 變結(jié)構(gòu)控制系統(tǒng)
• 第8章 滑模變結(jié)構(gòu)控制
• 7.6.3 MATLAB模糊控制工具箱及應用
• 7.6.2 雙輸入和單輸出模糊控制器
• 7.6.1 單輸入和單輸出模糊控制器的設計
• 7.6 模糊控制系統(tǒng)的工作原理
• 7.5.2 模糊控制器的設計步驟
• 7.5.1 模糊控制器的基本原理
• 7.5 模糊控制器的基本原理與設計方法
• 7.4.4 模糊決策
• 7.4.3 模糊推理
• 7.4.2 模糊語言算子
• 7.4.1 模糊邏輯
• 7.4 模糊推理與模糊決策
• 7.3.3 模糊變換
• 7.3.2 模糊關(guān)系
• 7.3.1 普通關(guān)系
• 7.3 模糊關(guān)系的基本概念
• 7.2.5 常見的隸屬函數(shù)
• 7.2.4 隸屬函數(shù)的確定
• 7.2.3 模糊運算
• 7.2.2 模糊集合
• 7.2.1 普通集合
• 7.2 模糊集合的基本概念
• 7.1 概述
• 第7章 模糊邏輯控制算法
• 6.3 CEEMD算法
• 6.2 EEMD算法
• 6.1.3 EMD下載與應用
• 6.1.2 EMD基本理論
• 6.1.1 瞬時頻率
• 6.1 EMD算法
• 第6章 經(jīng)驗模態(tài)分解算法
• 5.3.3 小波包變換在信號處理中的應用
• 5.3.2 小波包變換的MATLAB函數(shù)
• 5.3.1 小波包變換理論
• 5.3 小波包變換
• 5.2.5 小波變換在信號處理中的應用
• 5.2.4 MATLAB的小波變換函數(shù)
• 5.2.3 小波分解與重構(gòu)
• 5.2.2 小波變換理論
• 5.2.1 小波函數(shù)
• 5.2 小波變換
• 5.1.5 傅里葉變換的信號降噪應用
• 5.1.4 MATLAB的傅里葉變換函數(shù)
• 5.1.3 傅里葉變換表示形式
• 5.1.2 傅里葉級數(shù)的相位譜
• 5.1.1 傅里葉級數(shù)的頻譜
• 5.1 傅里葉變換
• 第5章 傅里葉變換和小波變換
• 4.3.2 灰色定權(quán)聚類
• 4.3.1 灰色變權(quán)聚類
• 4.3 灰色聚類評估
• 4.2.4 模型檢驗
• 4.2.3 累減生成序列
• 4.2.2 均值GM（1，1）模型
• 4.2.1 累加生成序列
• 4.2 灰色預測
• 4.1.3 灰色關(guān)聯(lián)公理與灰色關(guān)聯(lián)度
• 4.1.2 距離空間
• 4.1.1 灰色關(guān)聯(lián)因素與關(guān)聯(lián)算子集
• 4.1 灰色關(guān)聯(lián)分析法
• 第4章 灰色系統(tǒng)理論
• 3.3.3 數(shù)據(jù)擬合——適用加權(quán)最小方差WLS方法
• 3.3.2 加權(quán)最小方差擬合
• 3.3.1 多項式擬合
• 3.3 曲線擬合
• 3.2.4 樣條插值
• 3.2.3 分段插值法
• 3.2.2 牛頓插值
• 3.2.1 拉格朗日插值
• 3.2 插值算法
• 3.1.4 繪制二元函數(shù)圖形
• 3.1.3 二維插值
• 3.1.2 人口數(shù)量預測
• 3.1.1 一維插值
• 3.1 插值
• 第3章 插值算法與曲線擬合
• 2.4.22 四維圖形
• 2.4.21 編輯三維圖形
• 2.4.20 繪制三維曲線
• 2.4.19 柱坐標圖形
• 2.4.18 極坐標圖形
• 2.4.17 繪制散點圖
• 2.4.16 繪制二維離散桿圖
• 2.4.15 繪制誤差棒
• 2.4.14 繪制偽色彩圖
• 2.4.13 繪制等高線
• 2.4.12 繪制向量圖
• 2.4.11 繪制二維餅圖
• 2.4.10 繪制直方圖
• 2.4.9 繪制面積圖
• 2.4.8 交互式圖形
• 2.4.7 繪制多子圖
• 2.4.6 繪制雙坐標軸圖形
• 2.4.5 疊繪和圖形標識
• 2.4.4 設置坐標軸范圍
• 2.4.3 設置曲線的屬性
• 2.4.2 繪制二維圖形
• 2.4.1 圖形的基礎(chǔ)知識
• 2.4 MATLAB語言的繪圖
• 2.3.5 for循環(huán)結(jié)構(gòu)
• 2.3.4 while循環(huán)結(jié)構(gòu)
• 2.3.3 switch分支結(jié)構(gòu)
• 2.3.2 if分支結(jié)構(gòu)
• 2.3.1 順序結(jié)構(gòu)
• 2.3 常用的流程操作語句
• 2.2.5 邏輯表達式
• 2.2.4 關(guān)系表達式的優(yōu)先級
• 2.2.3 關(guān)系表達式
• 2.2.2 數(shù)據(jù)類型
• 2.2.1 變量的定義與賦值
• 2.2 數(shù)據(jù)類型與基本運算符
• 2.1.3 Simulink Model窗口
• 2.1.2 M文件編輯窗口
• 2.1.1 命令行窗口
• 2.1 MATLAB語言開發(fā)環(huán)境
• 第2章 MATLAB語言入門
• 1.3.2 人工智能應用
• 1.3.1 人工智能研究的特點
• 1.3 人工智能特點與應用
• 1.2 人工智能的核心技術(shù)體系
• 1.1.3 發(fā)展階段
• 1.1.2 形成階段
• 1.1.1 孕育階段
• 1.1 人工智能的發(fā)展過程
• 第1章 緒論
• 前言PREFACE
• 內(nèi)容簡介
• 作者簡介
• 版權(quán)信息
• 封面

• 封面
• 版權(quán)信息
• 作者簡介
• 內(nèi)容簡介
• 前言PREFACE
• 第1章 緒論
• 1.1 人工智能的發(fā)展過程
• 1.1.1 孕育階段
• 1.1.2 形成階段
• 1.1.3 發(fā)展階段
• 1.2 人工智能的核心技術(shù)體系
• 1.3 人工智能特點與應用
• 1.3.1 人工智能研究的特點
• 1.3.2 人工智能應用
• 第2章 MATLAB語言入門
• 2.1 MATLAB語言開發(fā)環(huán)境
• 2.1.1 命令行窗口
• 2.1.2 M文件編輯窗口
• 2.1.3 Simulink Model窗口
• 2.2 數(shù)據(jù)類型與基本運算符
• 2.2.1 變量的定義與賦值
• 2.2.2 數(shù)據(jù)類型
• 2.2.3 關(guān)系表達式
• 2.2.4 關(guān)系表達式的優(yōu)先級
• 2.2.5 邏輯表達式
• 2.3 常用的流程操作語句
• 2.3.1 順序結(jié)構(gòu)
• 2.3.2 if分支結(jié)構(gòu)
• 2.3.3 switch分支結(jié)構(gòu)
• 2.3.4 while循環(huán)結(jié)構(gòu)
• 2.3.5 for循環(huán)結(jié)構(gòu)
• 2.4 MATLAB語言的繪圖
• 2.4.1 圖形的基礎(chǔ)知識
• 2.4.2 繪制二維圖形
• 2.4.3 設置曲線的屬性
• 2.4.4 設置坐標軸范圍
• 2.4.5 疊繪和圖形標識
• 2.4.6 繪制雙坐標軸圖形
• 2.4.7 繪制多子圖
• 2.4.8 交互式圖形
• 2.4.9 繪制面積圖
• 2.4.10 繪制直方圖
• 2.4.11 繪制二維餅圖
• 2.4.12 繪制向量圖
• 2.4.13 繪制等高線
• 2.4.14 繪制偽色彩圖
• 2.4.15 繪制誤差棒
• 2.4.16 繪制二維離散桿圖
• 2.4.17 繪制散點圖
• 2.4.18 極坐標圖形
• 2.4.19 柱坐標圖形
• 2.4.20 繪制三維曲線
• 2.4.21 編輯三維圖形
• 2.4.22 四維圖形
• 第3章 插值算法與曲線擬合
• 3.1 插值
• 3.1.1 一維插值
• 3.1.2 人口數(shù)量預測
• 3.1.3 二維插值
• 3.1.4 繪制二元函數(shù)圖形
• 3.2 插值算法
• 3.2.1 拉格朗日插值
• 3.2.2 牛頓插值
• 3.2.3 分段插值法
• 3.2.4 樣條插值
• 3.3 曲線擬合
• 3.3.1 多項式擬合
• 3.3.2 加權(quán)最小方差擬合
• 3.3.3 數(shù)據(jù)擬合——適用加權(quán)最小方差WLS方法
• 第4章 灰色系統(tǒng)理論
• 4.1 灰色關(guān)聯(lián)分析法
• 4.1.1 灰色關(guān)聯(lián)因素與關(guān)聯(lián)算子集
• 4.1.2 距離空間
• 4.1.3 灰色關(guān)聯(lián)公理與灰色關(guān)聯(lián)度
• 4.2 灰色預測
• 4.2.1 累加生成序列
• 4.2.2 均值GM（1，1）模型
• 4.2.3 累減生成序列
• 4.2.4 模型檢驗
• 4.3 灰色聚類評估
• 4.3.1 灰色變權(quán)聚類
• 4.3.2 灰色定權(quán)聚類
• 第5章 傅里葉變換和小波變換
• 5.1 傅里葉變換
• 5.1.1 傅里葉級數(shù)的頻譜
• 5.1.2 傅里葉級數(shù)的相位譜
• 5.1.3 傅里葉變換表示形式
• 5.1.4 MATLAB的傅里葉變換函數(shù)
• 5.1.5 傅里葉變換的信號降噪應用
• 5.2 小波變換
• 5.2.1 小波函數(shù)
• 5.2.2 小波變換理論
• 5.2.3 小波分解與重構(gòu)
• 5.2.4 MATLAB的小波變換函數(shù)
• 5.2.5 小波變換在信號處理中的應用
• 5.3 小波包變換
• 5.3.1 小波包變換理論
• 5.3.2 小波包變換的MATLAB函數(shù)
• 5.3.3 小波包變換在信號處理中的應用
• 第6章 經(jīng)驗模態(tài)分解算法
• 6.1 EMD算法
• 6.1.1 瞬時頻率
• 6.1.2 EMD基本理論
• 6.1.3 EMD下載與應用
• 6.2 EEMD算法
• 6.3 CEEMD算法
• 第7章 模糊邏輯控制算法
• 7.1 概述
• 7.2 模糊集合的基本概念
• 7.2.1 普通集合
• 7.2.2 模糊集合
• 7.2.3 模糊運算
• 7.2.4 隸屬函數(shù)的確定
• 7.2.5 常見的隸屬函數(shù)
• 7.3 模糊關(guān)系的基本概念
• 7.3.1 普通關(guān)系
• 7.3.2 模糊關(guān)系
• 7.3.3 模糊變換
• 7.4 模糊推理與模糊決策
• 7.4.1 模糊邏輯
• 7.4.2 模糊語言算子
• 7.4.3 模糊推理
• 7.4.4 模糊決策
• 7.5 模糊控制器的基本原理與設計方法
• 7.5.1 模糊控制器的基本原理
• 7.5.2 模糊控制器的設計步驟
• 7.6 模糊控制系統(tǒng)的工作原理
• 7.6.1 單輸入和單輸出模糊控制器的設計
• 7.6.2 雙輸入和單輸出模糊控制器
• 7.6.3 MATLAB模糊控制工具箱及應用
• 第8章 滑模變結(jié)構(gòu)控制
• 8.1 變結(jié)構(gòu)控制系統(tǒng)
• 8.1.1 變結(jié)構(gòu)控制
• 8.1.2 變結(jié)構(gòu)控制系統(tǒng)的品質(zhì)
• 8.1.3 變結(jié)構(gòu)系統(tǒng)的數(shù)學模型
• 8.1.4 變結(jié)構(gòu)控制的特點
• 8.2 開關(guān)控制與滑模變結(jié)構(gòu)控制
• 8.2.1 開關(guān)控制
• 8.2.2 變結(jié)構(gòu)系統(tǒng)中的滑動模態(tài)
• 8.3 滑動模態(tài)及其數(shù)學表達
• 8.3.1 滑動模態(tài)
• 8.3.2 滑動模態(tài)的數(shù)學表達
• 8.4 菲力普夫理論
• 8.4.1 滑動模態(tài)的存在條件
• 8.4.2 關(guān)于菲力普夫理論的說明
• 8.5 等效控制及滑模運動
• 8.5.1 等效控制
• 8.5.2 滑模運動
• 8.6 滑模變結(jié)構(gòu)控制的基本問題
• 8.6.1 滑動模態(tài)的存在性
• 8.6.2 滑動模態(tài)的可達性及廣義滑模
• 8.6.3 滑模運動的穩(wěn)定性
• 8.7 滑模變結(jié)構(gòu)控制系統(tǒng)的動態(tài)品質(zhì)
• 8.7.1 正常運動段
• 8.7.2 滑模運動段
• 8.8 滑模變結(jié)構(gòu)控制的基本方法
• 8.8.1 滑模變結(jié)構(gòu)的基本控制策略
• 8.8.2 滑模變結(jié)構(gòu)控制的基本結(jié)構(gòu)
• 8.9 基于低通濾波器的滑模控制
• 8.9.1 系統(tǒng)描述
• 8.9.2 滑模控制器設計
• 8.9.3 仿真實例
• 第9章 神經(jīng)網(wǎng)絡基本理論
• 9.1 生物神經(jīng)網(wǎng)絡
• 9.1.1 生物神經(jīng)元的結(jié)構(gòu)
• 9.1.2 生物神經(jīng)元的信息處理機理
• 9.1.3 生物神經(jīng)網(wǎng)絡的信息處理
• 9.2 人工神經(jīng)元的數(shù)學建模
• 9.2.1 M-P模型
• 9.2.2 常用的神經(jīng)元數(shù)學模型
• 9.3 人工神經(jīng)網(wǎng)絡的結(jié)構(gòu)建模
• 9.3.1 網(wǎng)絡拓撲類型
• 9.3.2 網(wǎng)絡信息流向類型
• 9.4 人工神經(jīng)網(wǎng)絡的學習
• 9.5 神經(jīng)網(wǎng)絡及其分類
• 9.6 BP神經(jīng)網(wǎng)絡
• 9.6.1 BP神經(jīng)網(wǎng)絡結(jié)構(gòu)
• 9.6.2 BP神經(jīng)網(wǎng)絡算法原理
• 9.6.3 反向傳播實例
• 9.7 BP算法的不足與改進
• 9.7.1 BP算法的不足
• 9.7.2 BP算法的改進
• 9.8 BP網(wǎng)絡的MATLAB仿真實例
• 9.8.1 BP神經(jīng)網(wǎng)絡的MATLAB工具箱
• 9.8.2 BP網(wǎng)絡仿真實例
• 9.9 徑向基神經(jīng)網(wǎng)絡
• 9.9.1 正規(guī)化RBF網(wǎng)絡
• 9.9.2 廣義RBF網(wǎng)絡
• 9.10 徑向基網(wǎng)絡的MATLAB仿真實例
• 9.10.1 RBF網(wǎng)絡的MATLAB工具箱
• 9.10.2 仿真實例
• 第10章 支持向量機
• 10.1 統(tǒng)計學習理論基礎(chǔ)
• 10.1.1 機器學習
• 10.1.2 經(jīng)驗風險最小化原則
• 10.1.3 結(jié)構(gòu)風險最小化原則
• 10.2 支持向量機
• 10.2.1 最優(yōu)超平面
• 10.2.2 線性支持向量機
• 10.2.3 非線性支持向量機
• 10.3 LIBSVM軟件包簡介
• 10.3.1 LIBSVM使用的數(shù)據(jù)格式
• 10.3.2 LIBSVM使用的函數(shù)
• 10.3.3 LIBSVM使用
• 第11章 智能優(yōu)化算法
• 11.1 粒子群概述
• 11.1.1 粒子群算法的基本原理
• 11.1.2 全局與局部模式
• 11.1.3 粒子群的算法建模
• 11.1.4 粒子群的特點
• 11.1.5 粒子群算法與其他進化算法的異同
• 11.2 粒子群算法
• 11.2.1 基本原理
• 11.2.2 算法構(gòu)成要素
• 11.2.3 算法的基參數(shù)設置
• 11.2.4 算法基本流程
• 11.2.5 粒子群算法的MATLAB實現(xiàn)
• 11.3 蟻群算法
• 11.3.1 蟻群的基本概念
• 11.3.2 蟻群算法的重要規(guī)則
• 11.3.3 蟻群優(yōu)化算法的應用
• 11.3.4 蟻群算法的MATLAB實現(xiàn)
• 11.4 模擬退火算法
• 11.4.1 模擬退火算法的理論
• 11.4.2 模擬退火尋優(yōu)實現(xiàn)步驟
• 11.4.3 模擬退火算法的MATLAB工具箱
• 11.4.4 模擬退火的MATLAB實現(xiàn)
• 11.5 遺傳算法
• 11.5.1 遺傳算法概述
• 11.5.2 遺傳算法的生物學基礎(chǔ)
• 11.5.3 遺傳算法的名稱解釋
• 11.5.4 遺傳算法的運算過程
• 11.5.5 遺傳算法的特點
• 11.5.6 染色體的編碼
• 11.5.7 適應度函數(shù)
• 11.5.8 遺傳算子
• 11.5.9 算法參數(shù)設計原則
• 11.5.10 適應度函數(shù)的調(diào)整
• 11.5.11 遺傳算法的應用
• 11.6 禁忌搜索算法
• 11.6.1 禁忌搜索的相關(guān)理論
• 11.6.2 啟發(fā)式搜索算法與傳統(tǒng)的方法
• 11.6.3 禁忌搜索與局部鄰域搜索
• 11.6.4 局部鄰域搜索
• 11.6.5 禁忌搜索的基本思想
• 11.6.6 禁忌搜索算法的特點
• 11.6.7 禁忌搜索算法的應用
• 圖書推薦 更新時間：2023-08-25 10:53:52