❶ 百度小程序排名优化可以做么排名规则是什么
发布网络小程序后找到流量配置，完成自然搜索结果设置，这样才能保证可以在网络app中搜索结果中看到你的小程序内容。
优化：
1.页面基础信息：标题、摘要和keywords（关键词）符合搜索要求的设置；建议标题格式：主题 - 属性1 - 属性2 – 小程序名
2.页面标题与实际文章内容相符；拒绝低质页面及页面无任何有效内容
3.保证内容真实，不堆砌、重复、言语通顺；禁止低俗违禁内容及虚假广告。
4.web化与H5 URL路径要一致，持续提交优质资源。
5.谨慎设置封禁，包括robots封禁、封禁网络UA/IP，path设置勿跳转等。
❷ 请问一个关于遗传算法的问题，看了好久没有看懂！这的FitnV是怎么算出来的
ranking是gatbx中的一个函数，是基于排序的适应度分配，分配原则你可以打开工具箱中的这个函数看一看
❸ 目标变量为混合变量（浮点+离散）编码遗传算法
最近研究了一下遗传算法，因为要用遗传算法来求解多元非线性模型。还好用遗传算法的工具
箱予以实现了，期间也遇到了许多问题。借此与大家分享一下。
首先，我们要熟悉遗传算法的基本原理与运算流程。
基本原理：遗传算法是一种典型的启发式算法，属于非数值算法范畴。它是模拟达尔文的自然
选择学说和自然界的生物进化过程的一种计算模型。它是采用简单的编码技术来表示各种复杂
的结构，并通过对一组编码表示进行简单的遗传操作和优胜劣汰的自然选择来指导学习和确定
搜索的方向。遗传算法的操作对象是一群二进制串（称为染色体、个体），即种群，每一个染
色体都对应问题的一个解。从初始种群出发，采用基于适应度函数的选择策略在当前种群中选
择个体，使用杂交和变异来产生下一代种群。如此模仿生命的进化进行不断演化，直到满足期
望的终止条件。
运算流程：
Step 1：对遗传算法的运行参数进行赋值。参数包括种群规模、变量个数、交叉概率、变异概
率以及遗传运算的终止进化代数。
Step 2：建立区域描述器。根据轨道交通与常规公交运营协调模型的求解变量的约束条件，设
置变量的取值范围。
Step 3：在Step 2的变量取值范围内，随机产生初始群体，代入适应度函数计算其适应度值。
Step 4：执行比例选择算子进行选择操作。
Step 5：按交叉概率对交叉算子执行交叉操作。
Step 6：按变异概率执行离散变异操作。
Step 7：计算Step 6得到局部最优解中每个个体的适应值，并执行最优个体保存策略。
Step 8：判断是否满足遗传运算的终止进化代数，不满足则返回Step 4，满足则输出运算结果
。
其次，运用遗传算法工具箱。
运用基于Matlab的遗传算法工具箱非常方便，遗传算法工具箱里包括了我们需要的各种函数库
。目前，基于Matlab的遗传算法工具箱也很多，比较流行的有英国设菲尔德大学开发的遗传算
法工具箱GATBX、GAOT以及Math Works公司推出的GADS。实际上，GADS就是大家所看到的
Matlab中自带的工具箱。我在网上看到有问为什么遗传算法函数不能调用的问题，其实，主要
就是因为用的工具箱不同。因为，有些人用的是GATBX带有的函数，但MATLAB自带的遗传算法
工具箱是GADS，GADS当然没有GATBX里的函数，因此运行程序时会报错，当你用MATLAB来编写
遗传算法代码时，要根据你所安装的工具箱来编写代码。
以GATBX为例，运用GATBX时，要将GATBX解压到Matlab下的toolbox文件夹里，同时，set path
将GATBX文件夹加入到路径当中。
最后，编写Matlab运行遗传算法的代码。
这块内容主要包括两方面工作：1、将模型用程序写出来（.M文件），即目标函数，若目标函
数非负，即可直接将目标函数作为适应度函数。2、设置遗传算法的运行参数。包括：种群规
模、变量个数、区域描述器、交叉概率、变异概率以及遗传运算的终止进化代数等等。
为方便大家理解，以下为例：
求解模型：TC=x1+2*x2+3*x3+4*x4，-1<=x<=0
根据上面的求解模型，可以写出模型的.M文件如下，即适应度函数
function TC=TotalCost(x)
TC=0;
for i=1:4
TC=TC+i*x(i);
end
然后，可以利用遗传算法工具箱来写出遗传算法运行的主要程序，如下：
%定义遗传算法参数
NIND=20; %个体数目
MAXGEN=200; %最大遗传代数
NVAR=4; %变量维数
PRECI=20; %变量的二进制位数
GGAP=0.9; %代沟
trace=zeros(MAXGEN,2); %算法性能跟踪
%建立区域描述器
FieldD=[rep(PRECI,[1,NVAR]);rep([-1;0],[1,NVAR]);rep([1;0;1;1],[1,NVAR])];
Chrom=crtbp(NIND,NVAR*PRECI); %创建初始种群
gen=0; %代计数器
ObjV=TotalCost(bs2rv(Chrom,FieldD)); %计算初始种群个体的目
标函数值
while gen<MAXGEN,
FitnV=ranking(ObjV); %分配适应度值
SelCh=select('sus',Chrom,FitnV,GGAP); %选择
SelCh=recombin('xovsp',SelCh,0.7); %重组
SelCh=mut(SelCh,0.07); %变异
ObjVSel=TotalCost(bs2rv(SelCh,FieldD)); %计算子代目标函数值
[Chrom ObjV]=reins(Chrom,SelCh,1,1,ObjV,ObjVSel); %重插入
gen=gen+1;
%输出最优解及其对应的10个变量的十进制值
[Y,I]=min(ObjVSel);
Y,X=bs2rv(Chrom(I,:),FieldD);
trace(gen,1)=min(ObjV);
trace(gen,2)=sum(ObjV)/length(ObjV);
end
plot(trace(:,1));hold on;
plot(trace(:,2),'-.');grid;
legend('种群均值的变换','最优解的变化');
显然，根据模型的特征，最优解应该是-10，自变量分别取-1，-1，-1，-1。大家可以安装
GATBX，在Matlab中建立目标函数的.M文件以及遗传算法主程序的文件来进行试验。
希望以上内容对学习和运用遗传算法的同仁有所帮助，因为本人也是初学，因此有不详之处请
见谅。
////////////////////////////////////////////////////
matlab遗传算法工具箱函数及实例讲解（转引）
gaotv5
核心函数：
(1)function [pop]=initializega(num,bounds,eevalFN,eevalOps,options)--初始种群的生
成函数
【输出参数】
pop--生成的初始种群
【输入参数】
num--种群中的个体数目
bounds--代表变量的上下界的矩阵
eevalFN--适应度函数
eevalOps--传递给适应度函数的参数
options--选择编码形式(浮点编码或是二进制编码)[precision F_or_B],如
precision--变量进行二进制编码时指定的精度
F_or_B--为1时选择浮点编码，否则为二进制编码,由precision指定精度)
(2)function [x,endPop,bPop,traceInfo] = ga(bounds,evalFN,evalOps,startPop,opts,...
termFN,termOps,selectFN,selectOps,xOverFNs,xOverOps,mutFNs,mutOps)--遗传
算法函数
【输出参数】
x--求得的最优解
endPop--最终得到的种群
bPop--最优种群的一个搜索轨迹
【输入参数】
bounds--代表变量上下界的矩阵
evalFN--适应度函数
evalOps--传递给适应度函数的参数
startPop-初始种群
opts[epsilon prob_ops display]--opts(1:2)等同于initializega的options参数，第三
个参数控制是否输出，一般为0。如[1e-6 1 0]
termFN--终止函数的名称,如['maxGenTerm']
termOps--传递个终止函数的参数,如[100]
selectFN--选择函数的名称,如['normGeomSelect']
selectOps--传递个选择函数的参数,如[0.08]
xOverFNs--交叉函数名称表，以空格分开，如['arithXover heuristicXover
simpleXover']
xOverOps--传递给交叉函数的参数表，如[2 0;2 3;2 0]
mutFNs--变异函数表，如['boundaryMutation multiNonUnifMutation nonUnifMutation
unifMutation']
mutOps--传递给交叉函数的参数表,如[4 0 0;6 100 3;4 100 3;4 0 0]
注意】matlab工具箱函数必须放在工作目录下
【问题】求f(x)=x+10*sin(5x)+7*cos(4x)的最大值，其中0<=x<=9
【分析】选择二进制编码，种群中的个体数目为10，二进制编码长度为20，交叉概率为0.95,
变异概率为0.08
【程序清单】
%编写目标函数
function[sol,eval]=fitness(sol,options)
x=sol(1);
eval=x+10*sin(5*x)+7*cos(4*x);
%把上述函数存储为fitness.m文件并放在工作目录下
initPop=initializega(10,[0 9],'fitness');%生成初始种群，大小为10
[x endPop,bPop,trace]=ga([0 9],'fitness',[],initPop,[1e-6 1
1],'maxGenTerm',25,'normGeomSelect',...
[0.08],['arithXover'],[2],'nonUnifMutation',[2 25 3]) %25次遗传迭代
运算借过为：x =
7.8562 24.8553(当x为7.8562时，f（x）取最大值24.8553)
注：遗传算法一般用来取得近似最优解，而不是最优解。
遗传算法实例2
【问题】在－5<=Xi<=5,i=1,2区间内，求解
f(x1,x2)=-20*exp(-0.2*sqrt(0.5*(x1.^2+x2.^2)))-exp(0.5*(cos(2*pi*x1)+cos
(2*pi*x2)))+22.71282的最小值。
【分析】种群大小10，最大代数1000，变异率0.1,交叉率0.3
【程序清单】
％源函数的matlab代码
function [eval]=f(sol)
numv=size(sol,2);
x=sol(1:numv);
eval=-20*exp(-0.2*sqrt(sum(x.^2)/numv)))-exp(sum(cos(2*pi*x))/numv)
+22.71282;
%适应度函数的matlab代码
function [sol,eval]=fitness(sol,options)
numv=size(sol,2)-1;
x=sol(1:numv);
eval=f(x);
eval=-eval;
%遗传算法的matlab代码
bounds=ones(2,1)*[-5 5];
[p,endPop,bestSols,trace]=ga(bounds,'fitness')
注：前两个文件存储为m文件并放在工作目录下，运行结果为
p =
0.0000 -0.0000 0.0055
大家可以直接绘出f(x)的图形来大概看看f（x）的最值是多少，也可是使用优化函数来验证。
matlab命令行执行命令：
fplot('x+10*sin(5*x)+7*cos(4*x)',[0,9])
evalops是传递给适应度函数的参数，opts是二进制编码的精度，termops是选择maxGenTerm结
束函数时传递个maxGenTerm的参数，即遗传代数。xoverops是传递给交叉函数的参数。mutops
是传递给变异函数的参数。
❹ 有没有人知道Path Ranking Algorithm
Path Ranking Algorithm路径的排名算法
知识推理可以用于发现实体间新的关系。例如，根据“父亲+父亲=>祖父”的推理规则，如果两实体间存在“父亲+父亲”的关系路径，我们就可以推理它们之间存在“祖父”的关系。利用推理规则实现关系抽取的经典方法是Path Ranking Algorithm (Lao & Cohen 2010)，该方法将每种不同的关系路径作为一维特征，通过在知识图谱中统计大量的关系路径构建关系分类的特征向量，建立关系分类器进行关系抽取，取得不错的抽取效果，成为近年来的关系抽取的代表方法之一。但这种基于关系的同现统计的方法，面临严重的数据稀疏问题。
在知识推理方面还有很多的探索工作，例如采用谓词逻辑（Predicate Logic）等形式化方法和马尔科夫逻辑网络（Markov Logic Network）等建模工具进行知识推理研究。目前来看，这方面研究仍处于百家争鸣阶段，大家在推理表示等诸多方面仍为达成共识，未来路径有待进一步探索。
希望对你有帮助
❺ 多目标遗传算法 目标函数的权重问题
推荐算法中几种常用的多目标变单一目标的方法：
(1)目标加权法：F(x)=∑λf(x)，∑λ=1。λ可固定或随机或自适应，加权求和之前一般需要进行无量纲化处理
(2)乘除法：min F(x)=(minf1×minf2×...)/(maxfn×maxfn+1×...).
(3)主要目标法/约束法：次要目标构成对主要目标的约束条件, 缺点：需要人为设定次要目标的约束参数
谢采纳~
❻ 为什么matlab里面关于遗传算法的ranking函数不能用呢 我用的是R2010a版本
用的是GA工具箱？可以生成matlab代码，然后在ranking处设断点，用单步运行去看每个函数怎么起作用。
❼ c#中的一个算法
用的是高中数学的知识，现给仁兄理下思路，解题过程如下：
已知：
经验基数为200，也就是第一级，每个基数的经验差为200
解答如下：
已知：
基数为200，每个级增1，基数差为200
设新级为n，新级别经验为a，新级别为b
则新级别经验为
a=200+200*（n-1）
新级别为
b=n+1
按照高中数学求解的步骤来写出来，一目了然 ：）
应用到程序中试下。
❽ matlab遗传算法解决车间调度问题
你要的ranking文件是MATLAB工具包里面的文件，要的话我可以发给你，或者你到网上找找gaot就知道了，另外，你这个文件里面有没有select.m这个文件，我这里缺失这个，有的话给我发一个
❾ 为什么我的matlab遗传算法ranking函数还是不能用呢
这个需要安装matlab遗传算法包，可以下载英国设菲尔德大学的遗传算法工具箱，其实就是一些.M文件，将其放置在硬盘上的某个位置；在matlab中设置路径，将路径添加进去；其中就有这个函数的功能……
❿ G网 M算法和K算法和L算法有什么区别
M算法、L算法和K算法就是定位算法中三个典型步骤的算法。K算法是根据信号强度强弱为依据，L算法是以损耗为依据的，M算法以信号强度条件为依据的。
1）K算法是指在对服务小区以及相邻小区进行排队时(Basic
Ranking),以信号强度作为排队标准。在排队时，K值越高的小区（信号强度越强）越排在前面。
2）L算法是指在对服务小区以及相邻小区进行排队时(Basic
Ranking),以路径损耗(Path
Loss)作为排队标准。引入L算法的目的是手机尽量选择距离较近的基站，以降低整个网络的干扰水平。在排队时，L值越低的小区（路径损耗越小）越排在前面。
3）M算法用于检查邻小区是否有资格进入Basic
Ranking阶段。如果邻小区能进入Basic
Ranking阶段，则信号强度必须同时满足以下两个条件：1.
SS_DOWNn
≥
MSRXMIN；2.
SS_UPn
≥
BSRXMIN