EM 是一种灵活有效的基于种群的元启发式算法，用于搜索全局优化问题的最优解，由 Birbil 和 Fang 在 2003 年提出。它基于电磁理论的吸引力-排斥原理，其中种群被认为是带电粒子分布在解空间内。

工程优化中的元启发式和进化算法，元启发式算法是独立于问题的算法，一般起源于自然观测，常见有遗传算法，粒子群优化等，本书对于目前性能最好的一系列算法基本进行介绍。

这是元启发式算法Novel Bat Algorithm (NBA) 的演示。 与基本的蝙蝠算法（BA）不同，NBA中不同的个体有不同的搜索策略，并且在NBA中也嵌入了自适应的局部搜索策略。 从这个意义上说，NBA 是一种多群自适应算法。 模拟和比较显示了NBA在许多元启发式算法上的优越性。

共生生物搜索 (SOS) 是一种新的基于种群的元启发式算法。 SOS 是一种简单而强大的优化算法。 然而，与大多数元启发式算法不同，它不需要用户调整任何特定于算法的控制参数。 实现了SOS的MATLAB函数代码，可在此下载。 代码中还包含了总共 26 个基准函数，因此，用户可以研究 SOS 在解决这些函数时的性能，或者可以将其与其他元启发式算法进行比较。 SOS 首次出现在 Min-Yuan Cheng, Doddy Prayogo 的文章中。 (2014)。 “共生生物搜索：一种新的元启发式优化算法”。 计算机和结构。 http://dx.doi.org/10.1016/j.compstruc.2014.03.007

这段代码展示了一种新算法，它对解决基于分形中出现的扩散特性的优化问题提供了新的见解。 该算法能够在最少的迭代次数内实现与全局最优解相比具有最小（或最多小）误差的解，从而在准确性、收敛时间和操作简单性方面提供改进。 ------------------------------------------ 文章链接： http://www.sciencedirect.com/science/article/pii/S0950705114002822

Aquila Optimizer (AO) 是一种新颖的基于种群的优化方法，其灵感来自于 Aquila 在捕捉猎物过程中的自然界行为。 主要参考文献： Abualigah, L., Yousri, D., Elaziz, MA, Ewees, AA, A. Al-qaness, MA, Gandomi, 啊，Aquila 优化器：一种新颖的元启发式优化算法，计算机与工业工程(2021), doi: https://doi.org/10.1016/j.cie.2021.107250 Researchgate 提供的代码： https : //www.researchgate.net/publication/350411564_Matlab_Code_of_Aquila_Optimizer_A_novel_meta-heuristic_optimization_algorithm

受生物神经系统和人工神经网络 (ANN) 的启发，提出了一种新的元启发式优化算法来解决复杂的优化问题。 所提出的方法称为神经网络算法 (NNA)，它是基于 ANN 的独特结构开发的。 NNA 受益于 ANN 及其运算符的复杂结构，以生成新的候选解决方案。

Fred Glover主编 非常经典的元启发式方法的书籍！内容非常丰富，包含：组合优化；遗传算法；蚂蚁算法；紧急算法；人工神经网络；贪婪自适应；领域搜索等。 对学习最优化、NP难问题求解具有非常重要价值！数学建模；线性规划；算法：智能算法。

原子轨道搜索（AOS）是一种为优化目的而提出的新型元启发式算法。 该算法的主要概念基于一些量子力学原理和基于量子的原子模型，其中基于电子围绕原子核的一般构型。

金鹰优化器 (GEO) 和多目标金鹰优化器 (MOGEO) 元启发式算法的源代码和用户界面 原论文： https : //doi.org/10.1016/j.cie.2020.107050 预印本： https : //www.researchgate.net/publication/347685369_Golden_Eagle_Optimizer_A_nature-inspired_metaheuristic_algorithm 电子邮件：geo.algorithm@gmail.com