《计算智能：人工神经网络 模煳系统 进化计算 第二版》

主要包含：遗传算法，遗传规划，进化策略，进化规划。

采用了标准进化规划算法及元进化规划算法求解基准函数Griewank的最小值。

多目标进化算法matlab代码sy-e 从原始存储库分叉 SyR-e 是一种 Matlab/Octave 代码，用于通过有限元分析和多目标优化算法设计同步磁阻电机。 它需要安装 Matlab/Octave 和 FEMM 软件。 推荐的 FEMM 版本是 2013 年 11 月 15 日发布的 4.2。Matlab/Octave 脚本将同步磁阻电机的参数化绘图实现为 .fem 文件，由 FEMM 软件进行分析。 在对机器进行有限元分析 (FEA) 后，将主要结果传递给 Matlab/Octave。 这既可用于借助多目标优化算法进行设计优化，也可用于后处理阶段的机器详细分析。 特性 同步磁阻电机的自动化设计 多目标差分演化 FEMM 和 XFEMM 支持 兼容 Matlab/Octave 语言 多核 PC 上的并行计算 跨平台 (Win/Linux) 功能

“厂网分开,竞价上网”是我国电力市场的发展趋势,而在我国电力市场迅速发展的同时,发展过程中难免出现一些问题。作为人们日常生活不可缺少的物质保障,电力资源必须实现有效的配置,这就势必要引入市场竞争机制,将电力当作商品进行交易,以此来满足我国居民的正常生活用电需求,同时也要保证工业和第三产业的稳定发展。通过建立电力市场竞价的数学模型,选取合适的目标函数,找准约束条件。同时采用Matlab软件进行数据分析,由DE算法得到的解均优于另2种算法所得到的解,仅最优解与EP相近。同时该算法得到的解偏差仅为0.09%,均优于其他2种算法。

所提出的系统基于使用离散小波变换 (DWT) 技术的图像压缩和使用人工蜂群和粒子群优化等进化算法的优化。 优化提供了良好的图像质量以提供更好的结果。 随着图像质量及其大小的不断增加。 市场上的许多产品都采用先进技术的图像进行控制和显示。 图像压缩是不同类型多媒体服务中的一种技术。 在这个项目中，称为离散小波变换 (DWT) 的编码技术应用于图像压缩。 这些技术使用较少的内存。 为了找到最好的图像质量，我们将使用进化算法进行优化。 进化算法是物种的进化，它侧重于机制。 由于使用 DWT 压缩图像后图像质量下降，因此我们使用进化算法来优化压缩图像。 这里使用了两种进化算法：人工蜂群和粒子群优化，并根据 PSNR、CR、MSE 和熵等参数对它们进行比较。

对Matlab中的遗传算法工具箱进行改进而得到的遗传退火进化算法。可用于一般的最优化问题，求解无约束的或带有线性约束的连续函数的全局最小值。首先对传统的遗传算法和模拟退火算法进行改进，然后将模拟退火算法引入了遗传算法，结合两种算法的优点，得到一种新的遗传退火进化算法。它不但实现了遗传算法的全局搜索能力与模拟退火算法的局部搜索能力的结合，同时可使改进后的模拟退火算法能够充分利用遗传算法所得的全局信息。经验证，改算法能使遗传算法避免产生早熟收敛，增强了算法的全局收敛性，而且加快了算法的收敛速度。该算法的使用方法与遗传算法相似，可参考matlab遗传算法的帮助文档。区别在于不能含有非线性约束。使用格式：[x, fval] = ga_nn(fitnessfcn,nvars,A,b,Aeq,beq,LB,UB,options)其中的options可以使用gatool设置后导出，也可以使用压缩包中附带的gaoptions.mat导入。

二维遗传算法matlab代码使用DREAM软件包的马尔可夫链蒙特卡罗仿真-MATLAB实现 艾哈迈德·埃尔斯哈尔（Ahmed Elshall）博士在夏威夷大学马诺阿分校进行研究的代码 DREAM，其中包含过去和斯诺克更新的样本：DREAM_ZS 本文介绍的代码是马尔可夫链蒙特卡罗算法，该算法并行运行多个链以进行有效的后验。 名为DREAM_（ZS）的算法基于原始的DREAM采样方案，但是使用来自过去状态的档案库中的采样来在每个单独的链中生成候选点。 Vrugt等人已经提出了DREAM_（ZS）的理论和数值示例。 （2009）。 详细信息也可以在Ter Braak和Vrugt（2008）中找到。 从过去进行采样具有三个主要优点： （1）避免了使用N = d进行后探的要求。 这将加速收敛到有限的分布，特别是对于高维问题（大d）。 （2）离群链不需要明确考虑。 通过采样历史状态，异常轨迹可以在仿真期间的任何时间直接跳到模态区域。 因此，用DREAM_（ZS）模拟的N条路径在链中的每个单步台阶上都保持了详细的平衡。 （3）定义每个链中跳转的过渡内核不需要有关链当前状态的信息。 这在可以同时生成

合作的进化.doc

传统的细菌觅食优化算法仅针对单目标优化问题寻优，为进一步发掘细菌群体智能在多目标优化问题中的寻优优势，提出了改进的多目标细菌觅食优化算法。在个体间互不支配时给出归一化的择优策略；引入差分思想完成复制操作，提高种群的多样性；采用栅格划分法进行迁徙操作，提高解集的分散性；同时使用外部集存放当前找到的非支配解，并不断对外部集进行优化。通过对多个标准函数进行测试并与其他几种算法的对比结果表明，所提出的多目标细菌觅食优化算法在解的收敛性和分散性指标上都有一定提升，能够有效解决多目标优化问题。