群体智能是一个研究领域，它对成群的昆虫或动物的集体行为进行建模。 已经提出了由这些模型产生的几种算法来解决范围广泛的复杂优化问题。 在本文中，提出了一种称为社交蜘蛛优化（SSO）的新型群算法来解决优化任务。 SSO 算法基于模拟社交蜘蛛的合作行为。 在所提出的算法中，个体模仿一组蜘蛛，这些蜘蛛根据合作群体的生物学规律相互交互。 该算法考虑两种不同的搜索代理（蜘蛛）：男性和女性。 根据性别，每个个体都由一组不同的进化算子引导，这些算子模仿通常在群体中发现的不同合作行为。 为了说明所提出方法的熟练程度和稳健性，将其与其他众所周知的进化方法进行了比较。 比较检查了进化算法文献中通常考虑的几个标准基准函数。 结果显示了所提出的方法的高性能，用于搜索具有多个基准函数的全局最优值。 文章发表于： Cuevas, E., Cienfuegos, M., Zaldívar, D., Pérez-Cisn

使用中央模式生成器和神经网络的双足运动的分层控制 （汉堡大学智能自适应系统科学论文硕士） 受生物学启发的，分层的两足机器人运动控制器。 在较低级别，具有反馈路径的CPG网络（基于）控制着各个关节。 CPG网络的参数通过遗传算法进行了优化。 在更高的层次上，神经网络对CPG网络的输出进行调制，以优化机器人相对于整体目标的运动。 在这种情况下，目的是使步行时由于滑移或不完善的机器人模型而产生的横向偏差最小。 使用（深度强化学习算法）训练神经网络。 这项工作是使用。 即使在存在系统性和非系统性错误的情况下，分级控制器也可以使横向偏差最小化。 路径为红色的机器人仅使用CPG网络。 对于蓝色路径，使用了分层控制器。 高亮显示的情况（从左起第4个）显示了性能最佳的超参数设置。 纸 在ICDL-Epirob 2019上展示的论文可以在或进行查看。 论文 我的硕士学位论文可以在查看或下载。 视频 在可

变邻域搜索算法matlab代码CODO 在过去的几十年中，进行了大量研究以提出许多自然启发的优化技术。 SitoLIB是一个基于人的意见形成的优化器的开源库。 它包括基于社会影响理论的优化器（SITO）和涂尔干的基于社会融合理论的优化器（CODO）。 目的是开发一个易于理解的通用软件库，该库可以合并到特定于应用程序的系统中。 库的当前版本包括优化程序的二进制版本和连续（实值）版本。 我们的二进制实现基于[Latane，1981]给出的社会影响理论和[Macas，2008]给出的优化程序的伪代码。 称为持续意见动态优化器（CODO）的连续实施基于涂尔干的社会整合理论[Durkheim，1997]和[Rishemjit，2013]给出的优化器伪代码。 到目前为止，库中实现了CODO的一种变体和SITO的以下不同变体，以最大程度地减少异议功能： OSITO（原始SITO算法）， SSITOsum（带有SUM规则的简化SITO）， SSITOmean具有MEAN规则的简化SITO）和 GSITO（加拉姆风格的SITO）。 这些变体已在不同的应用程序中有效使用，例如使用UCI机器学习存储库数据集

提出了一种基于RBF网络和启发式Q学习的改进，更强大的RNH-QL方法，用于在较大状态空间中进行路径搜索。 首先，如果增加了给定问题的状态空间并且缺少关于环境的先验信息，则解决了强化学习效率低下的问题。 其次，作为权重更新规则的RBF网络，奖励整形可以在某些中间状态下向代理提供额外的反馈，这将有助于以更可控的方式将代理引导至目标状态。 同时，通过Q学习的过程，底层动态知识可以访问它，而不需要上层RBF网络的背景知识。 第三，结合贪婪开发策略训练神经网络，提高了学习效率，实验结果证明了这一点。

粒子群算法的Python实现。除此之外，还有这些算法的集合：差分进化算法、遗传算法、粒子群算法、模拟退火算法、蚁群算法、免疫优化算法、鱼群算法

这些颜色图是由 Kristen Thyng 使用 viscm 开发的。 它们在感知上是一致的，因为颜色在用作数字轴时应该是一致的。 如果这些颜色图对您有用，请考虑引用我们的论文： Thyng、KM、CA Greene、RD Hetland、HM Zimmerle 和 SF DiMarco。 2016. 海洋学的真实色彩：有效和准确的颜色图选择指南。 海洋学 29（3）：9-13。 http://dx.doi.org/10.5670/oceanog.2016.66

订单分批问题的数学模型及节约启发式算法,订单分批是为了提高拣货作业的效率而将多张订单合并成一批, 进行批次拣取作业, 其目的在于缩短拣取时平均行走搬运的距离及时间。

Qt材料 这是PySide6 ， PySide2和PyQt5的另一个样式表，看起来像Material Design（足够接近）。 有一些自定义的深色主题： 和光： 导航 安装 pip install qt - material 用法 import sys from PySide6 import QtWidgets # from PySide2 import QtWidgets # from PyQt5 import QtWidgets from qt_material import apply_stylesheet # create the application and the main window app = QtWidgets . QApplication ( sys . argv ) window = QtWidgets . QMainWindow () # setup sty

为了开发一种高效，受自然启发的优化算法，我们在此提出了一种新颖的元启发式方法，称为晶体结构算法（CryStAl）。 该方法的主要灵感来自从基础添加到晶格点所形成的晶体结构的基本原理，这是一种自然现象，可以从组分（即原子，分子或离子）的对称排列中看出。晶体矿物，例如石英。 原始纸： 晶体结构算法（CryStAl）：一种元启发式优化方法Siamak Talatahari，迈赫迪阿齐兹，穆罕默德Tolouei，巴巴克Talatahari和Pooya Sareh IEEE访问

所提出的范式模拟了乌鸦-杜鹃-猫系统模型中捕食者（猫）、寄生虫（杜鹃）和宿主（乌鸦）之间的相互作用。 因此，这个混合框架结合了猫群优化（CSO）、布谷鸟搜索（CS）和乌鸦搜索算法（CSA）的相对优势。 此代码演示了 PPA 如何适用于 23 个常用基准。 更多信息请参考： Mohamed AAA、Hassan SA、Hemeida AM 等人（2019 年）。 寄生捕食算法（PPA）：一种新的特征选择方法。 Ain Shams Engineering Journal. DOI: http://dx.doi.org/10.1016/j.asej.2019.10.004 https://www.sciencedirect.com/science/article/pii/S2090447919301406