皇后 通过Python中的分布式进化算法（DEAP）库，使用遗传算法解决N皇后问题。

1、MOEA/D-FD是一种求解动态多目标优化问题的新算法，在动态多目标优化问题中，多目标函数和/或约束可能会随时间变化，这就需要多目标优化算法跟踪运动的Pareto最优解和/或Pareto最优前沿。当检测到环境变化时，设计一阶差分模型来预测一定数量Pareto最优解的新位置。另外，旧的pareto最优解的一部分被保留到新种群中。将预测模型融合到基于分解的多目标进化算法中，求解动态多目标优化问题。通过这种方式，可以更快地跟踪更改后的POS或POF。该算法在多个具有不同动态特性和难度的典型基准问题上进行了测试。实验结果表明，该算法在求解动态多目标优化问题时具有较好的性能。 2、文件夹中包括了该算法的论和相关Matlab代码的实现。

matlab开发-利用进化算法进行多目标优化。基于进化算法NSGA-II的多目标优化实例

针对约束多目标区间优化问题, 提出一种交互多属性决策NSGA-II 算法. 该算法将非线性问题线性化, 定义P占优支配关系求出个体的序值, 定义区间拥挤距离来区分具有相同序值个体的优劣, 采用约束精英策略删除种群中不满足约束的个体. 将选出的个体作为方案集, 目标函数作为属性集, 决策者对于各目标函数的偏好作为属性权重, 构建一个多属性决策模型, 在进化过程中融入该模型来选取符合决策者偏好的满意解. 仿真实验验证了所提出方法的可行性和正确性.

为了更好地提高并行差分进化算法的求解精度和计算效率，实现适用于解决多种优化问题的鲁棒性算法，提出了一种多种群多策略的并行差分进化算法。该算法将种群划分为多个子种群，不同的子种群分别采用不同的差分进化策略。多个子种群各自独立进化，互不干扰，每隔一定代数才进行种群间的通信交流。通过利用多种群实现多种优化策略，并采用并行方式，使得算法可以采用不同的优化策略进行搜索，更加节省计算时间。数值实验结果表明，该算法在求解不同类型的优化问题时都具有良好的计算能力和效率。

PyFlappyBirdNes python版基于神经进化算法的flappybird 参考代码如下 基于js版本的神经进化策略，收敛速度相当快，最快的一次在第12代基本成为不死鸟 python实现的DQN，但是在我本地训练两天，还没有达到稳定的状态，鸟仍然会随机死亡 运行方式 cd scripts && python bird_flappy.py 依赖的工具和包 python2.7 pygame: 动画渲染 说明 20180719： 1、目前这个版本的鸟仍然会在某种状态下死亡，经过观察怀疑是状态没有捕获完全导致，仍然需要进一步迭代 2、由于pygame运用不是很熟练，所以pipe之间不是等间距，这样反倒无意之间增加了游戏的难度

提出一种基于群体适应度方差自适应二次变异的差分进化算法。该算法在运行过程中根据群体适应度方差的大小，增加一种新的变异算子对最优个体和部分其他个体同时进行变异操作，以提高种群多样性，增强差分进化算法跳出局部最优解的能力。对几种典型Benchmarks函数进行了测试，实验结果表明，该方法能有效避免早熟收敛，显著提高算法的全局搜索能力。

有关更多信息，请参阅以下链接： http://yarpiz.com/95/ypea124-moead

参数自适应 差分 进化算法 遗传算法 matlab

里面有个英文手册，我自己测试过，可以使用。 翻译手册里的步骤如下： 1.解压缩后，文件夹MOEA_SPEA2_MATLAB里面会有个source文件夹，再把source里的文件都拷贝到根目录。 2.将MOEA_SPEA2_MATLAB放在MATLAB的toolbox文件夹下，打开MATLAB，然后set path，之后将current directory定位到：D:\MATLAB7\toolbox\MOEA_SPEA2_MATLAB(这是我的存放地点) 3.首先运行build_spea2.m产生spea2.dll，这样就可以使用SPEA2算法啦 4.打开demo_moea.m，运行一下Demo看看，成功的话就说明可以放心使用这个算法了。 5.实验自己的用例：demo_funct.m里的函数更改成自己的就可以。