搜索资源列表
Parallel-genetic-algorithm
- 经典遗传算法利用单一种群对种群个体进行交叉、变异和选择操作，在进化过程中的超级个体易产生过早收敛现象，粗粒度并行遗传算法利用多个子种群进行进化计算，各子群体分别独立进行遗传操作，相互交换最优个体后继续进化。该文证明了该算法的搜索过程是一个有限时齐遍历马尔柯夫链，给出粗粒度并行遗传算法全局最优收敛性证明。对于旅行商问题TSP利用粗粒度并行遗传算法进行了求解，以解决经典遗传算法的收敛到局部最优值问题。仿真结果表明，算法的收敛性能优于经典遗传算法。-Classic genetic algorithm
Untitled2
- 基于量子遗传算法的多目标优化，参数为种群规模m二50，量子位数n二2，转角步长初值氏=0.01二，变异概率p二二0.1，交叉概率Pc二0.8，限定代数丈~二5-Quantum genetic algorithm-based multi-objective optimization parameters for population size m 50, the quantum number n = 2, the corner step initial value s = 0.01, mutati
gatbx
- 遗传算法是计算数学中用于解决最佳化的搜索算法，是进化算法的一种。进化算法最初是借鉴了进化生物学中的一些现象而发展起来的，这些现象包括遗传、突变、自然选择以及杂交等。遗传算法通常实现方式为一种计算机模拟。对于一个最优化问题，一定数量的候选解（称为个体）的抽象表示（称为染色体）的种群向更好的解进化。传统上，解用二进制表示（即0和1的串），但也可以用其他表示方法。进化从完全随机个体的种群开始，之后一代一代发生。在每一代中，整个种群的适应度被评价，从当前种群中随机地选择多个个体（基于它们的适应度），通过
demo4
- 遗传算法是计算数学中用于解决最佳化的搜索算法，是进化算法的一种。进化算法最初是借鉴了进化生物学中的一些现象而发展起来的，这些现象包括遗传、突变、自然选择以及杂交等。遗传算法通常实现方式为一种计算机模拟。(Genetic algorithm (GA) is a search algorithm for solving optimization in computational mathematics. It is a kind of evolutionary algorithm. Evolutio
chapter7多种群遗传算法的函数优化算法
- 多种群遗传算法代码，亲测可用，加快种群迭代速度(multi-population genetic algorithm)
cpp
- 自定义初始种群数量，每个种群编码数量，以及编码位数，解决迭代次数多了之后基因大部分相同问题。(Customize the initial population, the number of codes per population, and the number of coded bits to solve most of the same problem after the majority of iterations.)
多种群GA
- 主要用于基于多种群的遗传算法在实践中的应用(the program is often used to solve GA)
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