图的BFS

每个顶点进队列一次,每条边处理一次,O(V+E)


public class BFS {

	public static void bfs(Graph g, Vertex v) {
		assert (true);
		Queue<Vertex> q = new LinkedList<Vertex>();
		q.add(v);
		v.color = Vertex.BLACK;
		q.add(new Vertex(-1));
		int flag = 0;
		Vertex c = null;
		while (!q.isEmpty()) {
			c = q.poll();
			if (c.id == -1) {
				System.out.println();
				if (flag == 0) {
					q.add(new Vertex(-1));
					flag++;
					continue;
				} else {
					break;
				}
			} else {
				System.out.print(c.id + " ");
				flag = 0;
			}
//			c.color = Vertex.BLACK;
			for(int i=0; i<g.count_vertex; i++){
				if(g.vertexs[i].color == Vertex.WHITE 
						&& g.adjMatrix[c.id][i] > 0){
					q.add(g.vertexs[i]);
					g.vertexs[i].color = Vertex.BLACK;
				}
			}
		}
	}

	/**
	 * @param args
	 */
	public static void main(String[] args) {
		Graph g = Graph.createNoDirectedGraph(8, "dfs.txt");
//		Graph g = Graph.createDirectedGraph(8, "dfs.txt");
		g.printGraph();
		BFS.bfs(g, g.vertexs[0]);

	}

}


MATLAB代码实现了一个基于多种智能优化算法优化RBF神经网络的回归预测模型,其核心是通过智能优化算法自动寻找最优的RBF扩展参数(spread),以提升预测精度。 1.主要功能 多算法优化RBF网络:使用多种智能优化算法优化RBF神经网络的核心参数spread。 回归预测:对输入特征进行回归预测,适用于连续值输出问题。 性能对比:对比不同优化算法在训练集和测试集上的预测性能,绘制适应度曲线、预测对比、误差指标柱状等。 2.算法步骤 数据准备:导入数据,随机打乱,划分训练集和测试集(默认7:3)。 数据归一化:使用mapminmax将输入和输出归一化到[0,1]区间。 标准RBF建模:使用固定spread=100建立基准RBF模型。 智能优化循环: 调用优化算法(从指定文件夹中读取算法文件)优化spread参数。 使用优化后的spread重新训练RBF网络。 评估预测结果,保存性能指标。 结果可视化: 绘制适应度曲线、训练集/测试集预测对比。 绘制误差指标(MAE、RMSE、MAPE、MBE)柱状。 十种智能优化算法分别是: GWO:灰狼算法 HBA:蜜獾算法 IAO:改进天鹰优化算法,改进①:Tent混沌映射种群初始化,改进②:自适应权重 MFO:飞蛾扑火算法 MPA:海洋捕食者算法 NGO:北方苍鹰算法 OOA:鱼鹰优化算法 RTH:红尾鹰算法 WOA:鲸鱼算法 ZOA:斑马算法
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值