遗传算法、蚁群算法、改进遗传算法、改进蚁群算法

http://simulations.narod.ru/ 二维平面中有一组城市（点）。 每个城市都有通往每个城市的道路。 我们需要找到在每个城市只出现一次且路径长度最小的循环路径。 有很多不同长度的路径。 一条路径可以与另一条路径交叉并变异。 请参阅 description.docx 。 运行 tsp_ga_gui.m 要运行无 GUI 版本，请在子文件夹 no_gui_version 中运行 tsp_ga.m

内容摘要： 在该资源文件夹当中包括了数据预处理和特征工程后的数据（数据来源于第五届泰迪杯技能赛，数据经过作者预处理和特征工程），以及一步导出随机森林训练结果的模型评估函数，模型的特征重要性图像、模型评估的混淆矩阵。同时资源中还有数据不平衡得处理操作，实现方式为下采样。在资源当中还实现了，利用遗传算法（GA）对随机森林进行n_estimators、max_depth、min_samples_split、min_samples_leaf、max_features的参数优化。 资源结构： -BinaryClassification(GA) --data：数据 --image：导出图片 --model：模型参数 --Binary_RF(GA).py：遗传算法优化 --BinaryRF.py：常规随机森林分类 适合人群： 该资源适合用来竞赛和写论文，可以快速导出结果，大大节省时间。 使用建议： 二分类数据预处理和特征工程处理好后，导入数据分配好特征和标签，然后运行就可以导出模型的训练权重和模型的特征重要性图像、模型评估的混淆矩阵图像。遗传算法调参属于进阶内容，不懂得可以私信作者。

MATLAB源程序27 遗传算法的优化计算——建模自变量降维.zip

MATLAB源程序3 遗传算法优化BP神经网络-非线性函数拟合.zip

MATLAB源程序4 神经网络遗传算法函数极值寻优-非线性函数极值.zip

用c++实现的基于免疫算法/遗传算法的连通图最短哈密顿回路（TSP问题）求解，并支持记录迭代过程与画图。注释应有尽有，各项参数可调，结构清晰且难度较低，适合通过代码对经典免疫算法进行学习。

gobangAI AI大作业，实现了棋盘检测，博弈树AI，遗传算法AI，强化学习AI，结果一般

以前的标题是“另一个粒子群工具箱” 介绍粒子群优化 (PSO) 是一种无导数的全局最优解算器。 它的灵感来自大群简单动物令人惊讶的有组织的行为，例如成群的鸟、鱼群或成群的蝗虫。 该算法中的个体生物或“粒子”是原始的，只知道四件简单的事情：1 & 2）它们自己在搜索空间中的当前位置和适应度值，3）它们以前的个人最佳位置，以及 4）整体“群”中所有粒子找到的最佳位置。 无需计算梯度或 Hessians。 每个粒子根据这些信息不断调整其在搜索空间中的速度和轨迹，在每次迭代中更接近全局最优。 正如在自然界中看到的那样，尽管其单个粒子很简单，但这个计算群显示出非凡的连贯性和协调性。 使用方便如果您已经在使用 MATLAB 全局优化工具箱中包含的遗传算法 (GA)，那么这个 PSO 工具箱将为您节省大量时间。 可以使用与 GA 相同的语法从 MATLAB 命令行调用它，并带有一些特定于 PSO

利用基本的遗传算法解决Traveling salesman problem 问题，内含编码、遗传、变异、选择程序，最终显示结果。程序使用matlab编写。