在使用基本遗传算法的基础上做一些改进，可以在代码里修改是否选择改进方式以及选择常用测试函数的索引来更好地求得函数的最优值。

一个简单改进遗传算法解决高维极值的问题，对新手很有帮助！！

基于改进免疫遗传算法的电力系统无功优化 (1).pdf

采用新的交叉方式改进遗传算法，结果更优，迭代次数更少（已路径优化为例）

针对传统遗传算法在函数优化过程中容易陷入局部最优解、收敛慢等缺点，提出了一种新的自适应遗传算法NAGA。该算法考虑了种群适应度的多种集中分散程度，并且非线性地自适应调节遗传算法的交叉概率与变异概率；为了加快寻优效率，在选择算子方面将引进的选择算子与最优保存策略相结合；为了使遗传操作过程中种群数量恒定，又提出了保留亲本的策略。通过仿真实验发现，与经典遗传算法GA和IAGA相比，改进的自适应遗传算法在收敛速度与精准度等方面都有较大的进步。

遗传算法是一种具有随机、高度并行、自适应特点的全局最优搜索技术,即以生物界自然选择和遗传机理为基础的智能计算模型,模拟生物的自然进化过程。文章利用改进的遗传算法优化SVM 参数,提高SVM分类器的学习能力和推广能力,实验仿真表明,优化的SVM不仅能高准确地预测训练集,而且使分类准确率维持在一个较高的水平。

基于改进的双种群遗传算法，用于解决生产线平衡问题，代码有详细的手写注释。亲测运行有效，希望能对这方面学习的小伙伴有所帮助

基于改进的遗传算法的城市交通信号优化.zip

MATLAB源码集锦-基于改进的遗传算法的城市交通信号优化

所走路程的最短路径,其可能的路径数与城市个数成指数关系增长.目前应用遗传算法解决TSP问题,主要要解决编码问题和算子的设计问题.编码方式约束了运算空间的大小,好的编码方式可以压缩求解空间,提高运算效率.常见的编码方式有二进制编码,实值编码,自然编码等本文主要讨论**自然编码方式下算子的改进**及其MATLAB的程序实现.针对TSP问题,提出**贪婪交叉算子**和**倒位变异算子**来加快算法的收敛速度,同时又**不易陷入局部最优**,从而较好地解决了群体的多样性和收敛速度的予盾。