在目标跟踪领域，粒子滤波技术有处理非线性非高斯问题的优势，但是标准粒子滤波在利用重采样方法解决退化现象时，会产生粒子贫化问题，导致滤波精度不稳定.针对这种问题，本文算法采用了差分进化蝙蝠算法对粒子滤波进行改进.本文算法将粒子表征为蝙蝠个体，蝙蝠种群通过调节频率、响度、脉冲发射率，伴随当前最优蝙蝠个体在目标图像区域进行搜索，并且可以动态决策是采用全局搜索还是进行局部搜索，从而提高粒子整体的质量和合理的分布；引进的差分进化策略可以增强蝙蝠个体跳出局部最优的能力.为了验证本文算法的优化性能，将本文算法和标准粒子滤波算法进行性能分析对比.实验结果表明本文算法滤波性能优于标准粒子滤波算法.

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

NSGA 遗传进化算法\NSGA-II vs. e-MOEA.ppt

MOEA/D原版英文论文，个人对里面重要部分做了标记帮助理解

差分进化算法是一类基于种群的启发式全局搜索技术， 对于实值参数的优化具有较强的鲁棒性． 为了提 高差分进化算法的寻优速度、 克服启发式算法常见的早熟收敛问题， 许多学者对差分进化算法进行改进． 本文综述 差分进化的基本形式及其多种改进形式， 讨论它们的优缺点， 指出下一步的改进方向

提出了一种改进的量子粒子群算法,并将该算法用于求解非线性混合整数规划问题。构造了一种自适应调整的惯性权重,平衡了算法的全局搜索和局部搜索能力;针对混合整数规划问题,给定一定比例的初始可行解,提高了初始种群解的多样性;利用协同进化选择策略,对种群中的不可行解重新生成,使种群中每个粒子的信息充分利用,从而提高算法的收敛速度;为了抑制算法的早熟现象,给出了一种新的混沌搜索方式,对全局最优解进行局部搜索,增强算法的局部搜索能力。通过16个常见的测试函数测试结果表明,改进的量子粒子群优化算法对求解非线性混合整数规划问题,在成功率和精度方面得到很大的提高。

matlab源码

基于改进差分进化算法的加热炉调度方法.docx

未来城市：智慧城市进化之道 未来城市：智慧城市进化之道 未来城市：智慧城市进化之道 未来城市：智慧城市进化之道

一 基本概念 二 基本遗传算法 三 遗传算法应用举例 四 遗传算法的MATLAB求解 五 遗传算法的特点与发展 遗传算法的基本思想是： 从一组解的初值开始进行搜索，这组解称为一个种群，种群由一定数量、通过基因编码的个体组成，其中每一个个体称为染色体。不同个体通过染色体的复制、交叉和变异又生成新的个体，依照适者生存的规则，个体也在一代一代进化，通过若干代的进化最终得出条件最优的个体。 　 　 个体与种群 个体就是模拟生物个体而对问题中的对象 （一般就是问题的解）的一种称呼，一个个 体也就是搜索空间中的一个点。 种群(population)就是模拟生物种群而由若 干个体组成的群体, 它一般是整个搜索空间 的一个很小的子集。