python实现基于改进的差分进化算法求解柔性作业车间调度问题源码+项目说明.7z 问题规模以(工件J*工序P*机器M)表示，例如J20P10M10表示共有20个工件，每个工件有10个工序，总共有10个加工机器可供选择。data文件夹中的文件表示程序所用的数据，其中data_first文件的问题规模是J10P5M6，data_second文件的问题规模是J20P10M10，data_third文件的问题规模是J20P20M15。对于其中数据的解释：横向表示工序，纵向表示机器，每个数值表示机器加工工序的耗时，工序和机器都是按顺序排列的。以data_first.txt文件为例，前五行分别表示第一个工件的5个工序分别在6台机器上加工的时间，第5-10行表示第二个工件的5个工序分别在6台机器上加工的时间，以此类推。 关于编码，本项目采用的是同类问题常用的编码方式，参考论文“基于改进遗传算法的柔性作业车间调度问题研究”，与该论文所述的编码方式不同的是，本项目的编码中第一段为工序编码，第二段为机器编码。

差分进化算法由 Storn 和 Price 于 1995 年首次提出，是一种基于群体的高效启发式全局优化搜索算法，主要用于求解实数优化问题。差分进化算法属于进化算法，在神经网络参数优化等方面有着重要应用。

EPSDE的代码；附2014和2017数据集。 EPSDE一种参数集合和变异策略的差分进化算法(Differential evolution algorithm with ensemble of parameters and mutation strategies),2011年Mallipeddi等提出基于参数集成和变异策略的差分进化算法（EPSDE）;在EPSDE中，不同的突变策略池与每个控制参数的值池在整个进化过程中共存，并竞争产生后代。 [1]MALLIPEDDI R, SUGANTHAN P N, PAN Q K, et al. Differential evolution algorithm with ensemble of parameters and mutation strategies [J]. Applied Soft Computing, 2011, 11(2): 1679-96.

【优化预测】差分进化算法优化BP神经网络预测【含Matlab源码 1315期】.zip

差分进化算法是最近兴起的一类启发式算法，其高效的进化策略与规则为生产、调度等问题提供确实可行的方案。

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。

https://doi.org/10.1016/j.ins.2018.12.065 MATLAB源码 结合SHADE和IDE两个算法进行分层运算

基于分解的多目标遗传进化算法源程序，

进化算法（EA）是一种随机优化方法，在过去的几十年中，经证明它们能有效解决许多现实难题。 但是直到现在，我们仍然缺乏有效的方法来表示和研究它们在各种环境中的集体行为，这对于进化计算的研究人员和工程师更好地理解算法非常有用。 本文是解决上述问题的初步方法。 我们尝试通过一种称为特征学习的方法来分析EA的一代式集体行为。 提出了一种基于慢特征分析（SFA）的无监督特征学习框架，用于从不同适应度环境下的多个EA的世代集体行为数据中提取判别特征，目的是找出搜索行为之间是否存在差异。在同一健身环境中运行的不同EA的数量； 以及在不同适应度环境下运行的一种算法的行为之间是否存在差异。 此外，还研究了健身环境与EA搜索行为之间的关系。 在实验中，选择了几种典型的EA和具有典型景观的经典基准功能作为研究对象。 在提取的特征空间中可视化并比较了各种EA的集体行为。

针对基于邻域拥挤的差分进化算法求解非线性方程组系统时存在丢根、陷入局部最优等不足,提出一种改进的差分进化算法.首先,提出一种个体预判机制,判断当前群体的个体属于哪一类,并分别采取不同的操作;其次,设计一种新的混合差分变异算子,以增强算法跳出局部最优的能力;然后,改进外部存档策略,延长了父代优秀个体在种群的保存时间,有利于搜索该优秀个体附近的根.在所选测试函数集上的实验结果表明,所提出的算法能有效搜索到非线性方程组系统的多个根,并与当前5种算法进行对比,所提出算法在找根率和成功率上更具优越性.