软件介绍: 系统进化分析及分子鉴定软件安装包MEGA7.0.26 win64 setup.exe，这个是64位版本的，不能安装在32位WINDOWS系统上。

PyTorch-NEAT NEAT（增强拓扑的神经进化）方法的PyTorch实现，最初是由Kenneth O. Stanley创建的，是进化神经网络的一种有原则的方法。 。 实验 PyTorch-NEAT当前包含三个内置实验：XOR，单极平衡和汽车爬山。 异或实验 使用以下命令运行： python xor_run.py将运行多达150代，初始种群为150个基因组。 当/如果找到解决方案，将显示解决方案网络以及有关试验的统计信息。 随意运行多个试用版-只需​​增加xor_run.py文件中外部for循环的范围即可。 单极平衡 使用以下命令运行： python pole_run.py将运行多达150代，初始种群为150个基因组。 在OpenAI体育馆环境中跑步。 当/如果找到解决方案，则将在OpenAI体育馆中显示解决方案网络以及评估结果。 汽车登山实验 使用以下命令运行： python m

多选择背包问题是组合优化中的典型NP难题之一。针对传统蜂群算法存在的收敛速度慢、易陷入局部最优的缺点，提出改进策略。改进的算法通过设置两个自适应变化的种群雄蜂群和雌蜂群，雄蜂群负责与蜂后交叉操作以保持种群的选择压力，雌蜂群负责自适应变异操作以保持种群多样性，蜂后则根据启发式规则主动进化以局部寻优。根据算法实现的核心思想，仿真实验结果表明，提出的改进算法可以有效避免陷入局部最优，同时通过实例也验证了算法的可行性和有效性。

张青富经典论文MOEA/D: A Multiobjective Evolutionary Algorithm Based on Decomposition

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．

用来做进化树的软件，有多种形式进化树，有颜色设置，名称更改等。

MATLAB 差分进化算法 注释详细 已封装成函数形式 Author: Rainer Storn, Ken Price, Arnold Neumaier, Jim Van Zandt

腾讯WeCity·未来城市 解决方案ppt。出自腾讯研究院，腾讯云大嘉作品。智慧城市方案学习参考资料

达尔文-埃帕克  具有达尔文神经动力学大脑的俏皮机器人仿真 2012 年 10 月 – 2013 年 4 月 该项目是可以在机器人中实施的认知架构研究的一部分。 目的是实施基于达尔文神经动力学的算法，以进行实验并确定未来的改进。 实施的算法设计之一是解决方案（人工前馈神经网络）的演变，它可以学习如何玩多个游戏。 所有算法的实验都是使用 Webots 机器人模拟器进行的。 该存储库中的算法是在具有两个差速轮 E-puck 的机器人的模拟上实现的。 使用单个游戏对 E-puck 进行的实验导致了目标行为。 多个游戏的实施导致了平庸的解决方案，并导致修改算法以使用多目标优化。 已确定的进一步改进包括修改游戏以增加其复杂性并使其可进化。 一些视频： 避障： : 沿线： :

在本文中，已提出加权差分进化算法（WDE）来解决实值数值优化问题。 当 WDE 的所有参数都是随机确定时，实际上，WDE 没有控制参数，只有图案大小。 WDE 可以解决单峰、多峰、可分离、可扩展和混合问题。 WDE 具有非常快速且非常简单的结构，此外，由于其非递归性，它可以并行化。 WDE具有很强的探索和开发能力。 在本文中，WDE 在解决 CEC'2013 问题方面的成功与 4 个不同的 EA（即 CS、ABC、JADE 和 BSA）进行了统计比较。 一个 3D 几何优化问题（即 GPS 网络调整问题）和 4 个受约束的工程设计问题被用来检验 WDE 解决现实世界问题的能力。 从执行的测试中获得的结果表明，总的来说，WDE 解决问题的成功率在统计上优于本文中使用的比较算法。