搜索资源列表
09 遗传算法（Genetic Algorithm, GA）
- 遗传算法（Genetic Algorithm, GA）起源于对生物系统所进行的计算机模拟研究。它是模仿自然界生物进化机制发展起来的随机全局搜索和优化方法，借鉴了达尔文的进化论和孟德尔的遗传学说。其本质是一种高效、并行、全局搜索的方法，能在搜索过程中自动获取和积累有关搜索空间的知识，并自适应地控制搜索过程以求得最佳解。(The genetic algorithm (Genetic Algorithm, GA) originated from the computer simulation of b
DeMat
- 几种问题下的多维差分进化算法，包括Chebychev、Eggholder、Michalewicz、Peaks、Rastrigin、Rosenbrock和Zimmermann问题，可以根据不同的需求来改变objfun.m, PlotIt.m,和 Rundeopt.m。(The multidimensional differential evolution algorithm under several problems.)
Artificial Bee Colony
- artificial bee colony蜂群算法（ABC）代码(matlab code of artificial bee colony)
code
- 根据邻居搜索改进的自适应差分进化算法，属于进化计算，用来参数优化.(optimization by adaptive differential evolution)
自动聚类算法
- 该程序实现基于DE/PSO/GA的进化算法的数据聚类(The program realizes data clustering based on DE/PSO/GA's evolutionary algorithm.)
my_pso
- 粒子群算法，也称粒子群优化算法或鸟群觅食算法（Particle Swarm Optimization），缩写为 PSO， 是近年来由J. Kennedy和R. C. Eberhart等 开发的一种新的进化算法(Evolutionary Algorithm - EA)。(Particle swarm optimization (PSO), also known as particle swarm optimization (PSO) or Particle Swarm Optimization (
遗传算法
- 遗传算法（Genetic Algorithm）是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型，是一种通过模拟自然进化过程搜索最优解的方法。遗传算法是从代表问题可能潜在的解集的一个种群（population）开始的，而一个种群则由经过基因（gene）编码的一定数目的个体(individual)组成。每个个体实际上是染色体(chromosome)带有特征的实体。染色体作为遗传物质的主要载体，即多个基因的集合，其内部表现（即基因型）是某种基因组合，它决定了个体的形状的外部表现，如
example1
- 运用遗传算法求解函数，进化算法寻找最优值(Using genetic algorithm to solve function)
蚁群算法
- 蚁群算法(ant colony optimization, ACO)，又称蚂蚁算法，是一种用来在图中寻找优化路径的机率型算法。它由Marco Dorigo于1992年在他的博士论文中提出，其灵感来源于蚂蚁在寻找食物过程中发现路径的行为。蚁群算法是一种模拟进化算法，初步的研究表明该算法具有许多优良的性质。
DJ程序
- 多目标遗传算法，包括目标函数、非线性约束和热网与电网潮流约束。(The multi-objective genetic algorithm includes objective function, nonlinear constraint and power flow constraint of heat supply network.)
Griewank公式验算
- 基于Python编写群体智能算法，采用差分进化理论，并用Griewank公式验证(The swarm intelligence algorithm is written based on Python. Differential evolution theory is adopted and verified by Griewank formula.)
粒子群
- 粒子群算法，也称粒子群优化算法或鸟群觅食算法（Particle Swarm Optimization），缩写为 PSO， 是近年来由J. Kennedy和R. C. Eberhart等开发的一种新的进化算法(Evolutionary Algorithm - EA)。PSO 算法属于进化算法的一种，和模拟退火算法相似，它也是从随机解出发，通过迭代寻找最优解，它也是通过适应度来评价解的品质，但它比遗传算法规则更为简单，它没有遗传算法的“交叉”(Crossover) 和“变异”(Mutation) 操
多目标进化+多目标粒子群优化代码
- 多目标粒子群优化，多目标进化算法，两种方法能够有效的解决复杂的优化问题(optimization based on intelligent swarm)
遗传算法多目标优化模板
- 利用geatpy库是实现多目标优化， 基于改进NSGA-Ⅱ算法求解多目标优化问题的进化算法模板，传统NSGA-Ⅱ算法的帕累托最优解来只源于当代种群个体，这样难以高效地获取更多的帕累托最优解，同时难以把种群大小控制在合适的范围内，改进的NSGA2整体上沿用传统的NSGA-Ⅱ算法，不同的是，该算法通过维护一个全局帕累托最优集来实现帕累托前沿的搜索，故并不需要保证种群所有个体都是非支配的。(Using geatpy library to realize multi-objective optimiza
LDPC-PEG算法构造H矩阵
- LDPC-PEG算法构造H矩阵源码程序，matlab源码程序 clear all; clc; %输入编码参数,m:校验节点数目，n:变量节点数目(注意码率R不一定为1/2) %构造任意码率的LDPC校验矩阵 m=input('The number of check nodes:'); n=input('The number of variable nodes:'); h=zeros(m,n); %给定变量节点度分布序列 dv=0.38354*x+0.04237*x^2+0.5740
多目标算法综述
- 多目标进化算法已经成为解决多目标优化问题的主要方法之一。 本文详细介绍了经典的多目标进化算法， 并分析 了各种算法所采取的策略， 给出了各个算法优缺点分析。 讨论了多目标进化算法的应用。
蚁群算法源程序
- 蚁群算法(ant colony optimization, ACO)，又称蚂蚁算法，是一种用来在图中寻找优化路径的机率型算法。它由Marco Dorigo于1992年在他的博士论文中提出，其灵感来源于蚂蚁在寻找食物过程中发现路径的行为。蚁群算法是一种模拟进化算法，初步的研究表明该算法具有许多优良的性质。
遗传算法
- 遗传算法（Genetic Algorithm）是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型，是一种通过模拟自然进化过程搜索最优解的方法。
微分计划算法
- 微分进化算法是求解大规模非线性规划较好的一个算法，该算法收敛速度快。
天牛进化算法
- 利用仿生原理模拟天牛觅食构造全局优化算法，进化速度快，搜索范围广，十分有效