文件中具体描述哪些算法适合解决单目标优化问题、多目标优化问题以及高维多目标优化问题等等。哪些基准测试函数适用于单目标、多目标、高维多目标问题等等，以及介绍了PlatEMO3.0的基本操作和使用方法。

基于一类改进遗传算法的进化神经网络研究.pdf 基于遗传算法的人工神经网络优化设计.pdf 基于遗传神经网络的股票价格短期预测.pdf

基于进化心理学视角的信息系统研究.pdf

重点研究普适计算环境下资源管理中的跨域问题，聚焦在跨域资源访问，跨域用户漫游和跨域事务转移的机制方面，提出了评估方法并对提出的机制进行了实验分析，验证了在大规模无缝的普适计算环境下，所基于的域管理模型和研究的跨域机制能获得更高的运行效率。

CEC2017单目标锦标赛冠军算法LSHADE-SPACMA的matlab版本代码

为增强差分进化算法的局部搜索能力,一种新局部搜索策略引入到差分进化算法中,从而提出一种新局部搜索策略的差分进化算法。该算法用局部搜索得到新个体替换较劣个体,使其跳出局部最优,以此增强种群的多样性。数值实验选取4个测试函数,并与差分进化算法进行比较,结果表明算法的有效性。

人工神经网络与模拟进化计算（第2版）-简介: 本书较系统全面地讨论了人工神经网络与模拟进化计算的理论和工程应用，特别在学习理论和网络结构选择、动态神经网络、贝叶斯方法的应用以及模拟进化计算中的一些理论问题等方面的论述更为系统深入。讲解中力求讲清物理概念，以便读者深入理解一些主要方法的思路。 第2版加强了关于统计学习理论、核方法与支持向量机、自组织网络的灵活应用，盲信号处理等方面的内容;增加了神经网络在生物信息学和金融方面应用的实例，以及最近的一些参考文献，以便反映这一领域的新进展;为了便于掌握主要内容，对章节顺序也做了调整,模拟进化计算部分增加了分布估计算法一章。 本书适合用作研究生课程教材，或作为希望深入学习神经网络和进化计算的科技工作者的自学参考书。

合作发展 合作协同进化 该算法出现在Potter M.和De Jong K.的“一种用于功能优化的协作式协同进化方法”中，《从自然中解决并行问题》，第1页。 249-257，1994年。 共有五种功能：RASTRIGIN，SCHWEFEL，GRIEWANGK，ACKLEY和ROSENBROCK 编译：gcc合作伙伴_coevolution.c -lm -o合作伙伴_coevolution 演示：./cooperative_coevolution RASTRIGIN

模拟阿尔茨海默氏病中功能性大脑网络的进化：从全球活动的角度探索疾病动力学

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。