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。

有关更多信息，请参阅以下链接： http://yarpiz.com/64/ypml101-evolutionary-clustering

数学规划：在一些等式或不等式约束条件下，求一个目标函 数的极大（或极小）的优化模型称为数学规划。根据有、无 约束条件可以分为约束数学规划和无约束数学规划；根据目 标函数 和约束函数 是否为线性函数，分为 线性规划和非线性规划；根据问题中是否只有一个目标函数， 分为单目标规划和多目标规划。 很多非常重要的问题是线性的（或者用线性函数能够很好地 近似表示），因此线性规划的研究具有重要意义。与非线性 规划相比，线性规划的研究更加成熟。 进化计算（Evolutionary Computation，EC）受生物进化论 和遗传学等理论的启发，是一类模拟生物进化过程与机制，自 组织、自适应的对问题进行求解的人工智能技术。进化计算的 具体实现方法与形式称为进化算法（Evolutionary Algorithm， EA）。 进化算法是一种具有“生成+检测”（generate-and-test）迭代过程的搜索算法，算法体现群体搜索和群体中个体之间信息交换两大策略，为每个个体提供了优化的机会，使得整个群体在优胜劣汰（survival of the fittest）的选择机制下保证进化的趋势。

A structure MATLAB implementation of MOPSO for Evolutionary Multi-Objective Optimization A structured MATLAB implementation of MOEA/D for Evolutionary Multi-Objective Optimization

包含最基础的de差分进化算法，pso粒子群优化算法，以及fmincon（）等函数中最常用的内点法

行业分类-设备装置-一种基于种群分解的自适应混合多目标进化方法.zip

分析基于联合补货策略的供应商选择与商品订货量分配协同决策问题,设计一种有效的改进差分进化算法(Improved differential evolution,IDE)进行求解.在考虑商品异质性带来的分组约束基础上,构建一种拓展的供应商选择与订货量分配协同决策新模型.对比算例分析表明,IDE在求解此问题及其扩展问题时优于标准差分进化算法和模拟退火算法,随机生成的大规模算例进一步验证了IDE求解此类复杂问题的优越性.

多目标进化优化的帕累托最优化

用于全局优化和现实世界工程问题的基于适应度-距离-平衡的自适应引导差分进化 (FDB-AGDE) 算法。