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。

利用遗传算法解决TSP问题，随机产生数据进行测试，附源码

【路径规划】基于遗传算法求解多车型带时间窗车辆路径规划问题（VRPTW）matlab源码.zip

本文是基于多目标遗传算法解决带窗车辆路径问题的经典文献

遗传算法是一种模拟自然界进化的求解最优解的算法，用来求解方程组，特别是复杂方程组，有很好的全局寻优能力，基本运算过程如下： （1）初始化：设置进化代数计数器t=0，设置最大进化代数T，随机生成M个个体作为初始群体P(0) （2）个体评价：计算群体P(t)中各个个体的适应度。 （3）选择运算：将选择算子作用于群体。选择的目的是把优化的个体直接遗传到下一代或通过配对交叉产生新的个体再遗传到下一代。选择操作是建立在群体中个体的适应度评估基础上的 （4）交叉运算：将交叉算子作用于群体。遗传算法中起核心作用的就是交叉算子 （5）变异运算：将变异算子作用于群体。即是对群体中的个体串的某些基因座上的基因值作变动。群体P(t)经过选择、交叉、变异运算之后得到下一代群体P(t+1) （6）终止条件判断：若t=T,则以进化过程中所得到的具有最大适应度个体作为最优解输出，终止计算 遗传操作包括以下三个基本遗传算子:选择；交叉；变异

适应度与适应度函数 　　遗传算法对一个个体（解）的好坏用适应度函数值来评价，适应度函数值越大，解的质量越好。适应度(fitness)就是借鉴生物个体对环境的适应程度, 而对所求解问题中的对象设计的一种表征优劣的测度。适应度函数(fitness function)就是问题中的全体对象与其适应度之间的一个对应关系, 即对象集合到适应度集合的一个映射。 它一般是定义在论域空间上的一个实数值函数。适应度函数是遗传算法进化过程的驱动力，也是进行自然选择的唯一标准，它的设计应结合求解问题本身的要求而定。 说明：“论域”是数理逻辑中的概念。“在一个逻辑系统中，所有的个体组成的集合，称为个体域，亦称论域。”

TSP问题的求解方法 利用--遗传算法GA--求解组合优化问题，TSP旅行商问题 城市经纬度数据：mytsp/xx.csv文件 DW.py：绘图类 TSP_GA.py：主程序

基于matlab遗传算法及其应用实例，编译没问题，主要应用于无线传感器网分簇算法

在机器学习中，特征选择是对模型结果的优化和对特征的分析，无论是做机器学习分类或者回归模型，都可适用；在这里我使用（python）遗传算法对特征进行分析，然后选取最优特征建立机器学习回归模型。