背景 进化优化算法是进化计算的一个子领域。他们的目标是在不使用任何梯度信息的情况下最小化/最大化函数（通常是因为没有可用的梯度）。它们具有通过繁殖、变异、评估和分类所谓的个体来探索搜索空间的共同属性。大多数进化算法旨在处理实值函数，但实际上它们通常用于处理更奇特的问题。例如，遗传算法可用于找到神经网络的最佳结构。 eaopt 提供各种进化优化算法的实现。在实现方面，这个想法是大多数（如果不是全部）所述算法可以写成遗传算法的特殊情况。实际上，这是通过使用遗传算法的通用定义，允许随意修改突变、交叉、选择和替换过程来实现的。该GA结构因此是 eaopt 最灵活的结构，其他算法都写在它之上。如果您没有找到任何适合您需要的算法，那么您可以轻松编写自己的运算符（如大多数示例中所做的那样）。 特征 使用一致的 API 可以使用不同的进化算法 您几乎可以使用GAstruct做任何事情 提供物种形成和迁移程序 常见的遗传算子（突变、交叉、选择、迁移、物种形成）已经实施 如果您的功能成本高昂，则可以并行进行功能评估

MIT Press于2006年出版的进化计算新书，大力推荐！

互联网+管理进化.ppt该文档详细且完整，值得借鉴下载使用，欢迎下载使用，有问题可以第一时间联系作者~

Fast Improved Gauss Transform with Tree Data Structure A library for fast computation of Gauss transforms in multiple dimensions,

该算法实现了所有“进化策略”（ES）中最简单的，即 (1+1)-ES。 每次迭代，使用一个高斯变异算子（一个均值为零和标准差为“sigma”的随机高斯变量），一个父代用于创建一个后代。 如果有任何问题或意见，请随时与我联系。

该库使用进化算法 ( EA ) 自动进化群体中每个个体的人工神经网络的拓扑结构。 进化算法属于进化计算研究领域，涉及受生物进化过程和机制启发的计算方法。达尔文提出了通过自然选择（通过修改下降）的进化过程，以说明生命的多样性及其对环境的适应性（适应性适应）。进化机制描述了进化是如何通过遗传物质（蛋白质）的修饰和繁殖实际发生的。进化算法关注的是研究类似于进化过程和机制的简化版本的计算系统，以实现这些过程和机制的效果，即自适应系统的发展。属于进化计算领域的其他学科领域是寻求利用种群遗传学、种群生态学、协同进化生物学和发育生物学相关领域的属性的算法。--聪明的算法.com 人工神经网络的特征在于它们的结构（拓扑）和它们的参数（包括连接的权重）。因此，当为给定问题开发 ANN 时，需要考虑两个方面： 网络的结构（或拓扑）应该是什么？ 给定神经网络的结构，其参数的最佳值是多少？ EANT2，Evolutionary Acquisition of Neural Topologies，是一种进化强化学习系统，适合通过交互来学习和适应环境。它结合了神经网络、强化学习和进化方法的原理。

第二章核酸数据库及核酸序列的分析(第五构建进化树)

差分进化算法（DE）是一种多目标（连续变量）优化算法（MOEAs），用于求解多维空间中整体最优解。代码里面包含了20几种基准测试函数，用来测试算法的性能。 差分进化算法来源于早期提出的遗传算法（Genetic Algorithm，GA）。而差分进化算法引入了利用当前群体中个体差异来构造变异个体的差分变异模式，是其独特的进化方式。

用 rust 编写的神经进化框架。 如何使用 以下是如何训练手推车杆平衡神经网络，可在 examples/dir 中找到。 唯一的system有3个参数： 输入神经元数 输出神经元数 返回一个适应度函数f64

使用语法进化来寻找交易信号的遗传算法的实现 数据回购 数据仓库的结构应如下所示： +-- data-repo - contains script to gather data SPY_returns.txt (-r) +-- data - Helix expects this directory to exist in the repo pathname +-- backtests - results are saved to /tmp but can be manually moved here SPY_returns.txt 此文件中的数据应具有以下形状： epoch, return 第一列代表纪元时间，第二列代表要预测的回报。这通常是下一个期间的回报。 数据 分析中使用的所有历史价格数据都应存储在此处。Helix 将读取整个目录并从文件名中解析股票代码，因此文件应该是相应的名称。例如文件AAPL应该有一个AAPL.csv文件名。 文件中的数据应遵循OHLCV不带标题的格式。第一列应该是股票代码，第二列应该是纪元时间。