这是一个模拟，它使用人工智能（具体来说：遗传算法）来尝试制造越来越好的车辆。车辆必须克服障碍，从一些小山坡开始，然后是更陡峭的山坡，最后是一些跳跃。车辆由面板和轮子制成，连接在一起，类似于游戏围攻，除了 2D。 传算法 快速了解它的工作原理： 车辆数量最初是随机生成的。 模拟在所有车辆上运行。车辆越过障碍路线，其适应度就越高。如果车辆没有离开起始区域，它的适应度为 0。如果车辆一直到达终点线，它的适应度约为 14000。如果车辆分崩离析，则将其适应度除以 10，对其进行惩罚；车辆应尽量保持完好。此外，还设置了一个计时器，因此车辆只有一定的时间才能到达终点线。 这些车辆经历了交叉和变异的过程，更适合的车辆被用作父母的机会更高。该程序使用锦标赛选择来选择父母，并使用单点交叉从两个父母产生后代（这意味着，给定两个父母车辆 A 和 B，A 的左侧与右侧B，反之亦然，创建两辆新车）。此外，块是统一变异的（这意味着块被随机挑选并更改为空气、面板或轮子）。结果是新的车辆数量，进入了新一代。 转到第 2 步。无限重复。 理想情况下，在足够频繁地重复这些步骤之后，人群的适应度应该会提高，并且许多车辆

针对蚁群算法进行路径规划中出现的运行时间长，搜索效率低和容易出现死锁问题，本文提出了一种 基于达尔文进化论思想的蚁群算法。首先，针对在空白栅格中出现的搜索效率低的问题，提出了一种蚁群算法 简易模式；其次为了提高算法的全局搜索能力，避免陷入死锁，在启发函数中引入目标影响因子和障碍物影响 因子；望 后利用达尔文的进化论改进蚁群算法的信息素更新规则用于加快算法的迭代速度, 缩小运行时间。在 不同规模的栅格地图环境下的实验表明：本文提出的进化蚁群算法加快了迭代速度，提高了搜索效率，实现了 ˆ 优路径并且避免了算法死锁问题。

在 Julia 中实现的混洗复杂进化 (SCE-UA) 算法 参考 [1] Duan、QY、Vijai K. Gupta 和 Soroosh Sorooshian。“用于有效和高效的全局最小化的洗牌复杂演化方法。” 优化理论与应用杂志 76.3 (1993): 501-521。 [2] 段青云、Soroosh Sorooshian 和 Vijai K. Gupta。“优化使用 SCE-UA 全局优化方法校准流域模型。” 水文学杂志 158.3-4 (1994): 265-284。 [3] Mostapha Kalami Heris，MATLAB 中的 Shuffled Complex Evolution

差分进化算法求解平方和函数最小值，VS2013编程，C++语言

matlab程序、代码详细说明、有文章参考

计算机病毒进化史思维导图

研究机器人路径规划优化问题,机器人工作环境复杂,运动路径上存在许多障碍物.针对提高机器人安全导航性能问题,传统群智能算法存在早熟,搜索效率低等难题,难以获得全局最优路径.为了获得最优机器人运动路径,避免碰撞的发生,提出了一种人工蜂群算法的机器人路径规划方法.首先采用栅格法对机器人工作环境进行建模,然后机器人路径规划目标点作为蜜源,最后蜂群之间信息交换,协作搜索最优机器人运动路径.结果表明,人工蜂群算法解决了传统群智能算法存在的难题;加快了机器人路径规划求解速度,以较短时间找到最短机器人运动路径. ABC(Artificial BeesColony)算法最先由Basturk等人提出并应用于函数优化问题. 采蜜蜂采用贪婪准则，比较记忆中的最优解和邻域搜索解，当搜索解优于记忆最优解时，替换记忆解；反之，保持不变。在所有的采蜜蜂完成邻域搜索后，采蜜蜂跳摆尾舞与跟随蜂共享蜜源信息。跟随蜂根据蜜源信息以一定概率选择采蜜源，蜜量大的采蜜蜂吸引跟随蜂的概率大于蜜量小的采蜜蜂。同样，跟随蜂在采蜜源附近邻域搜索，采用贪婪准则，比较跟随蜂搜索解与原采蜜蜂的解，当搜索解优于原采蜜蜂的解时，替换原采蜜蜂的解，完

很实用的差分进化算法程序,对初学者很有参考价值

中科大-自然计算与应用-课程ppt（人工神经网络、进化计算）

智能控制第8章 进化算法-遗传算法.ppt