基于Python完成张军版计算智能相关算法.rar

基于Python完成张军版计算智能相关算法，其中包含蚁群算法，遗传算法，神经网络预测数据，粒子群算法和紧急搜索

import numpy as np
 
def load_data_train（）:
    #直接声明一个矩阵，有人可能会奇怪为什么不使用读取文件的方法，原因是这样的：
    #因为实际工作中从文件中获取数据的时候比较少，这个项目的数据也是存储在数据库中。
    #声明为矩阵的方式也是为了匹配数据库读写模块，这个是为了模拟数据库读写模块传回的数据，
    #如果你要读写文件的话只要按照这个矩阵的样子就可以了
    #PS：这个矩阵并不限制行和列的长度，只要最后一列是需要预测的因变量，而之前的列都为特征就可以使用。
    data_train = np.mat（[[3.2 9.6 3.45 2.15 140 2.8 11 502.24]
                 [3.2 10.3 3.75 2.2 120 3.4 10.9 702.33]
                 [3 9 3.5 2.2 140 3.5 11.4 502.24]
                 [3.2 10.3 3.65 2.2 150 2.8 10.8 802.32]
                 [3.2 10.1 3.5 2 80 1.5 11.3 502.2]
                 [3.4 10 3.4 2.15 130 3.2 11.5 602.27]
                 [3.2 9.6 3.55 2.14 130 3.5 11.8 652.2]
                 [3 9 3.5 2.1 100 1.8 11.3 402.26]
                 [3.2 9.6 3.55 2.1 130 3.5 11.8 652.2]
                 [3.2 9.2 3.5 2.1 140 2.5 11 502.24]
                 [3.2 9.5 3.4 2.15 115 2.8 11.9 502.24]
                 [3.9 9 3.1 2 80 2.2 13 502.2]
                 [3.1 9.5 3.6 2.1 90 2.7 11.1 702.2]
                 [3.2 9.7 3.45 2.15 130 4.6 10.85 702.35]]）
    return data_train
 
def load_data_pre（）:
    #这里的声明和上面的原因相似，只是为了模拟数据库读写模块的输入
    #注意只能预测一组数据，如果想预测多组写个循环就好了
    data_pre = np.array（[[3.09.33.32.051002.811.250]]）
    #开始进行数据标准化处理，做数据标准化的原因之前的博客也写到过，这里再写一下吧。
    #数据标准化的原因：不同的特征的大小范围是不一样的，将特征标准化，也便于不同单位或量级的指标能够进行比较和加权。
    data_mean = data_pre.mean（）
    data_std = data_pre.std（）
    data_pre = （data_pre - data_mean） / data_std
    #标准化结束，返回数据
    return data_pre

 属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----

     文件        767  2019-03-31 15:15  遗传算法\crossover.py

     文件        526  2019-03-31 19:49  遗传算法\evaluate.py

     文件       1305  2019-04-10 17:35  遗传算法\Ga.py

     文件        346  2019-03-30 23:43  遗传算法\init.py

     文件        314  2019-03-31 12:41  遗传算法\mutation.py

     文件        575  2019-03-22 00:32  遗传算法\selection.py

     文件        897  2019-03-31 15:15  遗传算法\__pycache__\crossover.cpython-35.pyc

     文件        718  2019-03-31 19:49  遗传算法\__pycache__\evaluate.cpython-35.pyc

     文件        447  2019-03-30 23:43  遗传算法\__pycache__\init.cpython-35.pyc

     文件        507  2019-03-31 12:41  遗传算法\__pycache__\mutation.cpython-35.pyc

     文件        867  2019-03-22 08:44  遗传算法\__pycache__\selection.cpython-35.pyc

     文件       6650  2019-05-05 16:57  蚁群算法\AntColony.py

     文件       7171  2019-05-17 15:45  蚁群算法\AntColony2.py

     文件      63488  2019-05-05 17:16  蚁群算法\蚁群算法.doc

     文件       5106  2019-06-12 14:38  禁忌搜索\jin.py

     文件       4432  2019-06-13 22:20  禁忌搜索\jinji（背包问题）.py

     文件      69868  2019-06-03 15:06  禁忌搜索\禁忌搜索.docx

     文件       3615  2019-05-17 15:41  粒子群算法\PSO.py

     文件      58744  2019-05-17 15:43  粒子群算法\粒子群算法.docx

     文件       3158  2019-04-25 23:31  神经网络预测\46bf9c312b63b8bff541094f52eb698.png

     文件       2317  2019-04-25 15:58  神经网络预测\DataLoad.py

     文件        861  2019-04-25 16:03  神经网络预测\DataPrediction.py

     文件        520  2019-04-25 16:00  神经网络预测\main.py

     文件       1751  2019-04-25 16:03  神经网络预测\ModelTrain.py

     文件      13936  2019-04-25 16:04  神经网络预测\modelweight

     文件         38  2019-04-25 16:04  神经网络预测\y_mean_std.txt

     文件       1527  2019-04-25 15:58  神经网络预测\__pycache__\DataLoad.cpython-35.pyc

     文件       1021  2019-04-25 16:03  神经网络预测\__pycache__\DataPrediction.cpython-35.pyc

     文件       1398  2019-04-25 16:03  神经网络预测\__pycache__\ModelTrain.cpython-35.pyc

     目录          0  2019-03-31 19:49  遗传算法\__pycache__

............此处省略9个文件信息