开发了一种新算法，材料生成算法（MGA），并将其应用于优化问题。 材料化学的一些先进和基本方面，特别是化合物的结构和生产新材料时的化学React，被确定为MGA的鼓舞性概念。 主要论文是材料生成算法：一种用于工程问题优化的新型元启发式算法Siamak Talatahari，Mahdi Azizi和Amir H.Gandomi 期刊：流程，2021年

沙猫群优化(Sand Cat Swarm Optimization, SCSO)算法是一种受自然界沙猫行为而设计的元启发式算法。 本资源仅供学习交流，严禁用于商业用途。

元启发式算法，Matlab源代码，蛇优化算法（Snake Optimization，SO）。直接运行main函数即可绘出算法收敛曲线。

这个优化器的主要灵感是自然界中飞蛾的导航方法，称为横向定向。 飞蛾在夜间飞行，相对于月亮保持固定角度，这是一种非常有效的长距离直线飞行机制。 然而，这些花哨的昆虫被困在人造光周围的无用/致命的螺旋路径中。 MFO 算法对该行为进行数学建模以执行优化。 这是论文的源代码： S. Mirjalili，Moth-Flame 优化算法：一种新颖的自然启发式启发式范式，基于知识的系统，DOI： http : //dx.doi.org/10.1016/j.knosys.2015.07.006 ( http://www.sciencedirect.com/science/article/pii/S0950705115002580 ) 更多信息请见： http : //www.alimirjalili.com/MFO.html 我有很多这方面的相关课程。 您可以通过以下链接注册，享受 95% 的折扣：

USE FOR CABLE JOINT TEMPERATURE INVERSION BSED ON IMPROVED SPARROW SEARCH ALGORITHM AND BACK PROPAGATION NEURAL NETWORK. DATA PREPROCESSING BY DATA DIMENSION REDUCTION ALGORITHM

为提高多元宇宙优化算法(MVO)的全局探索和局部开采性能,提出一种耦合横纵向个体更新策略的改进MVO算法(IMVO).横向更新策略是建立在宇宙种群层级的一种水平迁移进化机制,通过引入加权学习因子保证子代个体同时向多个父代宇宙继承位置信息,以改善种群的个体多样性和算法全局探索性能,适定性修正虫洞存在概率表达以保证种群个体间的充分信息交互;纵向更新策略是基于宇宙个体层级的一种纵向自我学习进化机制,根据最优宇宙历史信息,通过模拟认知的历史遗忘记忆特性实现记忆均值邻域的再开采,以增强算法局部开采性能.最后通过数值实验验证不同加权学习因子函数对算法性能的差异性影响,改进算法的优化性能和算法稳健性等.

NLNS+VND 元启发式算法： 可以解决以下几类问题： （基于站的和自由浮动的）自行车共享系统中的静态完全再平衡问题。 （对称）旅行商问题（STSP） 多旅行商问题 (mTSP) 1 商品提货配送旅行商问题（1-PDTSP） 带时间窗的旅行推销员问题 (TSPTW) 容量车辆路径问题 (CVRP) 带时间窗的容量车辆路径问题 (CVRPTW)

目前实现了以下算法： 模拟退火 (SA) 遗传算法 (GA) 蚁群优化 (ACO) 禁忌搜索 (TS) 进化策略 (ES)（仅限连续） 粒子群优化 (PSO)（仅限连续） 所有算法都是为了找到最小值而实现的。

受生物神经系统和人工神经网络 (ANN) 的启发，提出了一种新的元启发式优化算法来解决复杂的优化问题。 所提出的方法称为神经网络算法 (NNA)，它是基于 ANN 的独特结构开发的。 NNA 受益于 ANN 及其运算符的复杂结构，以生成新的候选解决方案。

FOX优化算法（FOX）是一种模拟红狐狸狩猎行为的元启发式算法。 红狐狸在雪地优化算法中求解压力容器设计问题. 一种受 FOX 启发的优化算法。（2022） FOX基于红狐狸的狩猎行为。 这是一种新的元启发式算法，可以应用于解决不同的问题。 FOX实现包括四个matlab文件： Get_Functions_details.m 初始化.m FOX.m main.m Get_Functions_details.m：包括标准基准函数 初始化.m：它用于初始化红狐狸 的种群FOX：包括探索和开发方程。 在FOX目标函数中被调用，它在main Get_Functions_details.m 里面.m文件用于运行FOX算法 它是如何工作的： 你只需要运行main.m使用matlab软件 ，那么你可以通过运行主文件FOX运行30次（每次包括500次迭代）来查看结果 。 结果打印 30 best_Score，然后显示其中 所有文件必须位于同一目录中的平均值。