翼型的空气动力学优化 使用进化算法对机翼进行空气动力学优化。 动机 该项目于2016年5月完成，目的是对ISAE-SUPAERO研究生院第二年的粘性空气动力学课程进行最终评估。 方法 目的是找到一种在滑流条件下能最大化给定性能标准的滑翔机翼型。 选择类形状变换（CST）可以对机翼几何形状进行数学建模，因为它所需的参数数量少且具有强大的建模能力。 CST还可以轻松确保前后缘的几何形状一致。 使用了两种不同的优化算法： 首先实现了遗传算法，其中CST参数充当“染色体”，而机翼充当“个体”。 然后实施了混合遗传算法，包括两个步骤。 第一步与遗传算法相同，其中第二步执行约束优化，以进一步利用先前发现的局部吸引区。 迄今为止，仅遗传算法已上传。 先决条件 该项目是用MATLAB编写的，因此需要MATLAB的副本。 它还使用了MATLAB的Global Optimization Toolbox的

NSGA2算法是执行速度最快的多目标进化算法，是现在公认比较优秀的进化算法。

里面有个英文手册，我自己测试过，可以使用。 翻译手册里的步骤如下： 1.解压缩后，文件夹MOEA_SPEA2_MATLAB里面会有个source文件夹，再把source里的文件都拷贝到根目录。 2.将MOEA_SPEA2_MATLAB放在MATLAB的toolbox文件夹下，打开MATLAB，然后set path，之后将current directory定位到：D:\MATLAB7\toolbox\MOEA_SPEA2_MATLAB(这是我的存放地点) 3.首先运行build_spea2.m产生spea2.dll，这样就可以使用SPEA2算法啦 4.打开demo_moea.m，运行一下Demo看看，成功的话就说明可以放心使用这个算法了。 5.实验自己的用例：demo_funct.m里的函数更改成自己的就可以。

针对非线性模型的参数估计寻优较为困难的问题，提出一种基于改进的差分进化算法的非线性系统模型参数辨识新方法。通过引入一个自适应变异率，随着迭代的进行自适应调整缩放因子，从而在初期保持种群多样性以避免早熟，并在后期逐步降低变异率，保留优良信息，避免最优解遭到破坏。交叉概率采用动态非线性增加的方法，提高了收敛速度。为了验证算法性能，针对几类典型的非线性模型参数辨识问题进行了仿真研究，并将其应用于一类发酵动力学模型参数的估计中。结果表明改进算法的参数辨识精度高，收敛速度也比较快，有效提高了模型建立的精度与效率，为解决实际系统中参数估计问题提供了一条可行的途径。

针对在传统飞行控制系统控制器参数整定问题中单目标优化不能同时满足多个控制指标要求的缺点，提出了一种基于改进的NSGA-II算法的多目标进化算法。在改进的NSGA-II算法中，提出了改进的精英保留策略增强算法收敛性；同时，使用改进的自适应模拟二进制（ASBX）算子提高算法效率，提出了使用改进的基于混沌序列的变异算子避免算法陷入局部最优解,以提高算法搜索精度。将改进的算法应用于飞机飞行控制系统设计中。仿真结果表明，该进化算法能够快速有效地进行飞行控制系统参数整定。

里面有个英文手册，我自己测试过，可以使用。 翻译手册里的步骤如下： 1.解压缩后，文件夹MOEA_SPEA2_MATLAB里面会有个source文件夹，再把source里的文件都拷贝到根目录。 2.将MOEA_SPEA2_MATLAB放在MATLAB的toolbox文件夹下，打开MATLAB，然后set path，之后将current directory定位到：D:\MATLAB7\toolbox\MOEA_SPEA2_MATLAB(这是我的存放地点) 3.首先运行build_spea2.m产生spea2.dll，这样就可以使用SPEA2算法啦 4.打开demo_moea.m，运行一下Demo看看，成功的话就说明可以放心使用这个算法了。 5.实验自己的用例：demo_funct.m里的函数更改成自己的就可以。

进化算法用JAVA语言实现，进化退火算法的实现及代码都包括在内，对算法的学习很有帮助。

基于生物免疫系统的重要原理和机理提出了一种免疫进化算法(I EA),对此算法收敛性进行了理论分析,并将该算法应用到多模态函数优化的求解中。仿真结果表明,该算法用于复杂的函数优化具有较快的收敛速度和有效性,利用此算法研究优化问题具有广阔的前景。

非图解算器 这是我解决非图（网格难题）的进化算法 适应度通过Needleman-wunsch算法计算。 个体由2D二进制数组或每行空间大小的数组列表表示（称为智能个体）。 聪明总是让传奇正确地实现了。 既有“经典” EA方法，也有确定性拥挤。 确定性拥挤也可以在CUDA GPU上运行。 灾难和迁徙为“岛屿模式”提供了支持。 （岛屿在一个线程中运行。） 最好的个人也可以简单地获得价值。 附加了几个示例输入。 用法 应用程序由命令行参数控制（顺序无关紧要）： par，ser-打开CUDA计算。 par and ser表示将以并行还是串行方式计算个人的适应度。 串行速度更快。 默认值：将使用CPU 即-开启vizualization。 默认值：关闭。 仅CPU bin-使用二进制个人。 默认值：智能表示。 仅CPU。 GPU自动使用二进制文件。 dc-使用确定性拥挤。 默认值：正常演变。 仅

适合多目标数学模型优化