多目标群体智能算法NSGA2，包含所有测试函数和真实帕累托前沿，包含详细注释

最小-最大-最小 该存储库包含用于解决本文研究的最小-最大-最小鲁棒优化问题的算法 AyşeNur Arslan，Michael Poss和Marco Silva：最小-最大-最小鲁棒组合优化，几乎没有追索权解决方案。 可在 有四种算法可用： HKW15的单石版重新，请参见函数exact_dualization() 来自的本地搜索启发式，请参见函数heuristic_dualization() 本文算法1中描述的场景生成算法，请参见函数scenario_generation() 本文算法3中描述的启发式变体，请参见函数heuristic_scenario_generation() 指导 该代码当前包含两个应用程序：最短路径问题（SP）和带冲突的背包问题（KP）。 可以通过创建相应的文件来添加其他应用程序。 要测试两个应用程序之一，请解压缩相应的数据文件，并使用julia执行相应的运

进化算法染色体的表示(编码) 候选解构成解空间，也叫表现型空间；将候选解编码成染色体，形成编码空间，也叫基因型空间。 进化算法轮流在这两个空间上进行操作，其中遗传算子工作在编码空间，评价和选择工作在解空间。 Coding space (genotype space) Solution space (phenotype space) Encoding Decoding Genetic Operations Evaluation and Selection

ABC_TSP，人工蜂群算法优化旅行商问题matlab代码，完整无误。 ABC_TSP，人工蜂群算法优化旅行商问题matlab代码，完整无误。

蚁群算法求解旅行商问题 蚁群算法最初是通过对蚂蚁群落的观察，受蚁群行为特征启发而得出的。蚂蚁是一种群居昆虫，在觅食、清理巢穴等活动中，彼此依赖、相互协作共同完成特定的任务。就个体来讲，单个蚂蚁的智力和体力是极其有限的，服务于整个群落的生存与发展；就群体来讲，蚁群在行为上的分工协作、在完成任务过程中所体现的自组织特征等反应出蚁群具有较高的智能和自我管理能力，具有很高层次组织性，这使得蚁群能够完成一些复杂的任务。 TSP问题是典型的NP完全问题，许多算法验证及算法效率测试都以TSP问题为基础。在蚁群算法研究中，第一个蚁群算法，蚂蚁系统，就是在TSP问题的基础上提出来的。而后，依据TSP问题，又提出了蚁群算法系列中具有代表性的蚁群系统，最大一最小蚂蚁系统。

【蚁群算法及其应用】 蚂蚁觅食行为与觅食策略 蚂蚁系统——蚁群系统的原型 改进的蚁群优化算法 蚁群优化算法的仿真研究 蚁群算法的应用——对QoS组播路由问题求解 20世纪50年代中期创立了仿生学，人们从生物进化的机理中受到启发。提出了许多用以解决复杂优化问题的新方法，如进化规划、进化策略、遗传算法等，这些算法成功地解决了一些实际问题。 20世纪90年代意大利学者M．Dorigo，V．Maniezzo，A．Colorni等从生物进化的机制中受到启发，通过模拟自然界蚂蚁搜索路径的行为，提出来一种新型的模拟进化算法—— 蚁群算法，是群智能理论研究领域的一种主要算法。用该方法求解TSP问题、分配问题、job-shop调度问题，取得了较好的试验结果．虽然研究时间不长，但是现在的研究显示出，蚁群算法在求解复杂优化问题（特别是离散优化问题）方面有一定优势，表明它是一种有发展前景的算法． 这种方法能够被用于解决大多数优化问题或者能够转化为优化求解的问题。现在其应用领域已扩展到多目标优化、数据分类、数据聚类、模式识别、电信QoS管理、生物系统建模、流程规划、信号处理、机器人控制、决策支持以及仿真和系统辩识等方面，群智能理论和方法为解决这类应用问题提供了新的途径。 群智能理论研究领域有两种主要的算法：蚁群算法(Ant Colony Optimization, ACO)和微粒群算法（Particle Swarm Optimization, PSO）。前者是对蚂蚁群落食物采集过程的模拟，已成功应用于许多离散优化问题。微粒群算法也是起源于对简单社会系统的模拟，最初是模拟鸟群觅食的过程，但后来发现它是一种很好的优化工具。

制造网格系统中资源的优选是提高资源质量目标的重要策略。为了解决制造网格和资源配置多因素间由于量纲不同导致组合优化困难的问题，建立了以主元分析方法确定客观权重、网络分析法确定主观权重的资源优化配置组合评价模型。最后在矿山资源综合评价的实例分析中，首先用主元分析法进行矿山机械制造资源综合指标体系的简化，用网络分析法确定候选资源排序向量，然后应用所得的综合评价模型进行对象的综合评价。避免了单一评价方法的片面性。

斯坦福大学教授的CS261类：优化和算法范例的讲义。 它们涵盖了近似算法，精确优化和在线算法的主题。

在一些现实生活中的优化问题中，目标通常是不可公度的，并且明确/数学上不可用。 交互式进化计算（IEC）可以有效地解决这些问题。 IEC 在优化系统中使用人工评估。 简单地说，IEC 是一种进化算法 (EA) 类的技术，其适应度函数被人类取代。 在交互式进化中，用户选择一个或多个生存和繁殖（有变异）的个体来构成新一代，IEC 使用两个不同的空间进行搜索。 人类用户根据心理空间中目标与系统输出的距离来评价目标系统的输出。 另一方面，EA 在参数空间中搜索。 可以说，IEC 是基于这两个空间之间的映射，EA 和人工搜索协同工作的优化技术。 也可以从此处获得更多信息，html帮助和有关此工具箱应用程序的三篇论文： http://www.abonyilab.com/software-and-data/easy_iec

TensorFlow代码实现霍普菲尔德网络(Hopfield)解决20个城市旅行商问题(TSP)，旅行商问题 TSP 是一个典型的组合优化问题，并且是一个 NP 完全问题，其可能 Hamilton 圈的数目是顶点的数目 n 的指数函数，所以一般很难精确地求出其最优解。所谓组合优化问题，是指在离散的，有限的数学结构上，寻找一个满足给定条件，并使其目标函数值达到最小或最大的解。一般来说，组合优化问题通常带有大量的局部极值点，通常是非线性的 NP 完全问题。其最先起源于一个旅行商要访问他所有的客户，要发现一条最短的路线。用用图论的术语来说，旅行商问题就是在赋权完全图上找一个权最小的 Hamilton 圈。但是，首先从应用上来说，很多实际应用问题，如印制电路板的、连锁店的货物配送路线等，经简化的处理后，均可转化为旅行商问题TSP。