量子遗传算法是量子计算与遗传算法相结合的产物。目前，这一领域的研究主要集中在两类模型上：一类是基于量子多宇宙特征的多宇宙量子衍生遗传算法(Quantum Inspired Genetic Algorithm)，另一类是基于量子比特和量子态登加特性的遗传量子算法(Genetic Quantum Algorithm,GQA)。前者的贡献在于将量子多宇宙的概念引入遗传算法，利用多个宇宙的并行搜索，增大搜索范围，利用宇宙之间的联合交叉，实现信息的交流，从而整体上提高了算法的搜索效率。但算法中的多宇宙是通过分别产生多个种群获得的，并没有利用量子态，因而仍属于常规遗传算法。后者将量子的态矢量表达引入遗传编码，利用量子旋转门实现染色体的演化，实现了比常规遗传算法更好的效果。但该算法主要用来解决0-1背包问题。编码方案和量子旋转门的演化策略不具有通用性，尤其是由于所有个体都朝一个目标演化，如果没有交叉操作，极有可能陷入局部最优。

无监督量子聚类算法实现 参考文献：Horn, David, and Assaf Gottlieb. "Algorithm for data clustering in pattern recognition problems based on quantum mechanics." Physical review letters 88.1 (2001): 018702.

差分进化算法（DE算法）的主要特性是通过个体间的差异实现个体变异。变异向量由随机选取的个体向量与另外两个随机选取的个体间的差向量求和得到。相比于经典的变异算子，更加贴近个体重组的变异算子的差分是DE算法特有的。DE算法的这个主要特性是由于在它进行变异的时候有一个自我参照的变异向量，使得它在搜索空间内能够循序渐进的搜索。

为了提高多目标优化算法解集的分布性和收敛性,提出一种基于分解和差分进化的多目标粒子群优化算法(dMOPSO-DE).该算法通过提出方向角产生一组均匀的方向向量,确保粒子分布的均匀性;引入隐式精英保持策略和差分进化修正机制选择全局最优粒子,避免种群陷入局部最优Pareto前沿;采用粒子重置策略保证群体的多样性.与非支配排序(NSGA-II)算法、多目标粒子群优化(MOPSO)算法、分解多目标粒子群优化(dMOPSO)算法和分解多目标进化-差分进化(MOEA/D-DE)算法进行比较,实验结果表明,所提出算法在求解多目标优化问题时具有良好的收敛性和多样性.

针对差分进化算法易出现早熟现象和收敛速度慢等问题, 提出一种具有人工蜂群搜索策略的差分进化算 法. 利用人工蜂群搜索策略很强的探索能力, 对种群进行引导以帮助算法快速跳出局部最优点. 此外, 为了提高算法 的全局收敛速度, 采用一种基于反学习的初始化方法. 通过对12 个标准测试函数进行仿真实验并与其他算法相比较, 表明了所提出的算法具有较快的收敛速度和很强的跳出局部最优的能力.

matlab 标准合作型协同进化遗传算法(多元函数优化) %实数编码，求最小值，函数为 bound=[-2.048 2.048]; %f2(x)= ∑i1--（n-1)[100(x(i+1)-xi^2)]^2+(xi-1)^2] %使用贪心法处理合作者选择问题。

粒子群的matlab代码 演化计算 开始实现演化计算的一些基本算法 GA 遗传算法 摘自CSDN AGA 自适应遗传算法 摘自CSDN DE 差分进化算法 PSO 粒子群优化算法

基于MATLAB的多目标优化算法平台，内涵多种遗传算法和进化算法，图形界面，算法齐全并且最新的。

DE差分进化算法，适应值和迭代次数之间的函数图展示，有测试代码，希望对你有用

ev-MOGA 多目标进化算法由瓦伦西亚理工大学的预测控制和启发式优化小组开发。 ev-MOGA 是一种基于 epsilon 优势概念的精英主义多目标进化算法。 ev-MOGA，试图以有限的内存资源以智能分布式方式获得帕累托前沿的良好近似。 它还动态调整帕累托前沿的限制。 有关 ev-MOGA 的详细信息在（请将此算法引用为）： [1] M. Martínez、JM Herrero、J. Sanchis、X. Blasco 和 S. García-Nieto。 通过随机求解器应用帕累托多目标优化。 人工智能的工程应用。 卷。 22 pp. 455 - 465, 2009 (ISSN:0952-1976)。 该算法也描述在： [2] JM Herrero、M. Martínez、J. Sanchis 和 X. Blasco。 使用 epsilon-MOGA 进化算法的均匀分布的帕累托前沿。