这是最近提出的 DA 算法的多目标版本。 DA算法的主要灵感来源于自然界中蜻蜓的静态和动态集群行为。 优化、探索和开发的两个基本阶段是通过模拟蜻蜓在导航、寻找食物和避开敌人时动态或统计地聚集时的社交互动而设计的。 这是论文的源代码： Seyedali Mirjalili，“蜻蜓算法：解决单目标、离散和多目标问题的新元启发式优化技术”，神经计算与应用，印刷中，2015 年，DOI： http : //dx.doi.org /10.1007/s00521-015-1920-1 链接： http : //link.springer.com/article/10.1007/s00521-015-1920-1 如果您无法访问该论文，请给我发送电子邮件至 ali.mirjalili@gmail.com，我会将论文发送给您。 更多信息请见： http : //www.alimirjalili.

此提交包括最近提出的 Ant Lion Optimizer (ALO) 多目标版本的源代码，称为 Multi-Objective Ant Lion Optimizer (MOALO)。 首先使用存储库来存储到目前为止获得的非支配的Pareto最优解。 然后使用轮盘机制从这个存储库中选择解决方案，该机制基于解决方案的覆盖范围作为蚂蚁，引导蚂蚁进入多目标搜索空间的有希望的区域。 主要论文是： S. Mirjalili、P. Jangir 和 S. Saremi，多目标蚂蚁狮子优化器：解决工程问题的多目标优化算法。”应用智能，（2016 年）：1-17，DOI： http://dx .doi.org/10.1007/s10489-016-0825-8 单目标 ALO 源代码可以在这里找到： http://au.mathworks.com/matlabcentral/fileexchange/

QuickLook视频 该软件包允许macOS Finder显示大多数类型的视频文件的缩略图，静态预览，封面和元数据。 macOS 10.9及更高版本上的QuickLook和Spotlight只能理解数量有限的媒体文件-多数是MPEG容器文件中的MPEG音频和视频编解码器。 该软件包增加了对其他编解码器和“非本地”媒体文件类型的支持，包括.asf ， .avi ， .flv ， .mkv ， .rm ， .webm ， .wmf等。 安装 下载的.pkg文件。 双击它。 Installer应用程序将引导您完成安装过程。 要查看视频文件的缩略图，您可能需要重新启动Finder（按住Ctrl键并单击⌥在Dock中的Finder图标上，然后选择“重新启动”），或者注销并重新登录。 安装后几分钟，Spotlight会重新索引所有“非本机”音频和视频文件，您可能会遇到CPU和磁盘使用率过高

iOS批量编译输出渠道包 背景 最近朋友公司的app渠道变多了，每个渠道包基本没有太多差异，只要更换一下图片和渠道号就行。 如果手动打的话，实在太繁琐了，所以，我就帮他写了个Python脚本 （主要是我Python比较水，找机会练手） 工程目录结构 工程目录结构主要类似于下面： . ├── ArcTest │   ├── ArcTest │   ├── ArcTest.xcodeproj │   ├── ArcTestTests │   └── build ├── IPA │   └── PP ├── MultiChannels │   ├── 91 │   ├── AppStore │   ├── HAIMA │   ├── HULU │   ├── KuaiYong │   ├── PP │   ├── TongBuTui │   ├── XY │   └── iTools └── b

越狱 检测iOS设备是否越狱。 改进： 对Shadow＆Liberty Lite免疫（截至2019年10月11日） 对UnSub免疫（截至2020年1月1日） 添加应用程序来源（是否存在应用程序商店）（截至2020年1月1日）（未测试） 捐给我： 詹尼乌斯（Jenius）：$ avltree9798 贝宝： :

概要 这是一个iOS的Unity插件，可让您记录屏幕并捕获游戏玩法。 它包含内置的Xcode项目。要开始使用它，只需将PluginSource文件夹作为子文件夹拖到以下目录/文件路径中，作为子文件夹到Unity项目中：Assets> Plugins> iOS> ReplayKitUnity>拖动源代码并编辑器文件夹到这里 博客文章描述了搭建桥梁的步骤： ： 免责声明： 该插件尚在开发中，旨在显示使用Swift创建Unity iOS插件的步骤。 产品特点 记录画面 停止录制屏幕 接收录制的视频文件（.mp4） 设置限制时间以允许录制屏幕 从屏幕录像中排除的录像回放的录像按钮和进度

此演示代码使用 Bat 算法和加权求和方法解决双目标函数优化问题。 该程序可以扩展以解决任何多个目标。

语法基础——Objective-C语法基础.pdf

matlab中伪代码标准和并行高效全局优化（EGO）算法 1.有效的全局优化（EGO）算法[1] 有效的全局优化（EGO）算法[1]是一种广泛使用的基于代理的优化算法，用于昂贵的单目标优化。 EGO算法首先使用一些初始设计点（通常通过实验设计方法，例如拉丁超立方体采样（LHS）方法）生成初始Kriging模型（也称为高斯过程模型）来开始。 然后，在每次迭代中，使用传统的优化算法（在此实现中为DE）选择具有最高预期改进（EI）值的点。 使用实际昂贵的目标函数评估所选点，并将其用于更新Kriging模型。 以这种方式，EI标准将搜索引导到对实际问题的最佳选择。 2.并行高效全局优化（EGO）算法[2] 并行高效全局优化（EGO）算法[2]是标准EGO标准的扩展，它允许EGO算法在每次迭代（循环）中选择多个设计点。 然后可以并行评估这些候选点，这可以节省一些挂钟时间。 在算法中使用伪EI准则在每个循环中选择多个设计点。 伪EI准则的详细描述可以参考[2]。 3.并行约束高效全局优化（EGO）算法[3] 并行约束高效全局优化（EGO）算法是为约束昂贵的优化问题而设计的。 PCEI标准用于在每次

针对NSGA-II算法在模拟二元交叉算子（SBX）算子，收敛速度和分集性能方面的不足，将反向学习机制（RLM）应用于初始化和进化过程。通过一系列的ZDT测试函数在收敛性和多样性评估两个方面，表明改进的NSGA-II算法在收敛速度，收敛性和多样性方面都优于NSGA-II算法。