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。

Differential Evolution A Practical Approach to Global Optimization 差分进化算法

基于双子群协同进化思想和果蝇优化算法，提出了一种求解0-1背包问题的双子群果蝇优化算法。利用双子群协同进化以及群半径自动调节来增强搜索过程的多样性，提高算法全局寻优能力；给出了双子群果蝇优化算法的具体步骤，并用MATLAB软件编程实现。通过对多个0-1背包问题的算例进行测试，并将测试结果与其他文献结果进行比较，结果表明，双子群果蝇优化算法具有较好的全局寻优能力，可作为求解0-1背包问题的一种实用方法。

进化计算（九）——MOEA/D代码实现及中文详解（Matlab）文章【https://blog.csdn.net/qq_43472569/article/details/121457243】的资源，对二目标优化效果很好

无监督量子聚类算法实现 参考文献：Horn, David, and Assaf Gottlieb. "Algorithm for data clustering in pattern recognition problems based on quantum mechanics." Physical review letters 88.1 (2001): 018702.

基于最优轨迹规划的PID控制、最优轨迹设计

差分进化算法（DE算法）的主要特性是通过个体间的差异实现个体变异。变异向量由随机选取的个体向量与另外两个随机选取的个体间的差向量求和得到。相比于经典的变异算子，更加贴近个体重组的变异算子的差分是DE算法特有的。DE算法的这个主要特性是由于在它进行变异的时候有一个自我参照的变异向量，使得它在搜索空间内能够循序渐进的搜索。

为了提高多目标优化算法解集的分布性和收敛性,提出一种基于分解和差分进化的多目标粒子群优化算法(dMOPSO-DE).该算法通过提出方向角产生一组均匀的方向向量,确保粒子分布的均匀性;引入隐式精英保持策略和差分进化修正机制选择全局最优粒子,避免种群陷入局部最优Pareto前沿;采用粒子重置策略保证群体的多样性.与非支配排序(NSGA-II)算法、多目标粒子群优化(MOPSO)算法、分解多目标粒子群优化(dMOPSO)算法和分解多目标进化-差分进化(MOEA/D-DE)算法进行比较,实验结果表明,所提出算法在求解多目标优化问题时具有良好的收敛性和多样性.