该代码包括遗传算法应用于函数优化和解决旅行商问题详细注释解析，以及本人做成的PPT。详细解析参考博客（https://blog.csdn.net/weixin_43935696/article/details/107045716）

遗传算法（Genetic Algorithm, GA）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。该资源使用matlab对该算法进行了代码实现。

用遗传算法实现二进制背包问题。 求解器的输入（KnapSackGA.java）是一个名为init.txt的文件，该文件的每一行包含以下内容： 项目数（例如7） 每个项目的值（以空格分隔）（例如1 2 3 4 5 6 7） 每个项目的重量（以空格分隔）（例如14 11 10 13 12 9 8） 背包最大尺寸（例如70） 人口规模（例如50） 世代数（例如100） 交叉概率（例如0.6） 突变概率（例如0.015）

该PPT是详细介绍遗传算法的，阅读者和博客搭配阅读（https://blog.csdn.net/weixin_43935696/article/details/107045716）

简单的遗传算法(Genetic Algorith)的C++源代码。实现最大化一个函数。

对于背包问题，如果使用传统的遗传算法求解会发现最优解很容易得出局部最优解，此时若在遗传算法中加入贪婪算子会使得算法每次都能得到全局最优解，该代码实现了贪婪遗传算法。

An Introduction to Genetic Algorithms Mitchell Melanie A Bradford Book The MIT Press Cambridge, Massachusetts • London, England Fifth printing, 1999

Jupyter / Binder生物程序的示例：纳米簇的遗传算法 作者：Geoffrey R. Weal和Anna L. Garden博士（奥塔哥大学，但尼丁，新西兰） 小组页面： : 佩奇援引以下工作的话：开发一种结构比较方法，以促进对纳米团簇的整体优化中对势能面的探索； Geoffrey R. Weal，Samantha M. McIntyre和Anna L. Garden； JCIM； 在提交阶段。 该存储库旨在提供有关如何使用“有机体”程序的示例。 Organisms程序旨在执行针对纳米团簇的遗传算法全局优化。 它的设计灵感来自伯明翰群集遗传算法和Roy Johnston集团的伯明翰并行遗传算法。 可以在线查看有关有机体计划的文档。 请参阅有关如何安装有机体的文档，包括如何通过PIP进行安装。 可在找到有关Organisms程序的github页面。 要通过Bind

遗传和蚁群优化算法(C++) Genetic_and_Ant_Algorithms_src,遗传和蚁群优化算法(C++) Genetic_and_Ant_Algorithms_src,遗传和蚁群优化算法(C++) Genetic_and_Ant_Algorithms_src

C ++遗传算法 这是使用C ++实现的遗传算法，遗传算法针对不同的问题实现起来细节可能不一样，这里罗列一下当前的实现方式具有的特性： 通过锦标赛算法选择个体 通过从上一代中剔除低适应度个体的方式消除劣质解 个体由一条染色体组成，所以程序不区分个体和染色体两个概念 通过实数编码组成染色体，重新获得De jong函数f2在-2.048到2.048范围内的对应 通过两个染色体相同位置基因求和再平均进行染色体交叉 通过高斯分布的随机数对基因进行变异操作 适应度取1 /（0.01 + f2） 算法的参数可以通过修改main.cpp中run方法的输入参数来改变 另外，程序通过针对对象方式实现和类名称和文件名存在严格的对应关系，命名都采用驼峰命名法，以及虽然不多但是每个方法和成员属性都有中文注释。 环境需求 Cmake推荐使用版本3.10以上的，否则参考CMakeLists.txt中的注释修改版本。