一文读懂遗传算法工作原理（附Python实现）.pdf

通过遗传算法 求解背包问题 python编写 含完整注释 绘制每一轮进化的最佳值和平均值

遗传算法求解背包问题的C++程序

一个基于进化/遗传算法的纯函数 scala 库： 强制不变性， 公开模块化和可扩展的架构， 实现最先进的算法， 处理嘈杂（随机）的适应度函数， 实现自适应算法， 实现具有分布式计算的算法，以便与OpenMOLE集成。 MGO 实现了 NGSAII、NSGA3、CP（校准配置文件）、PSE（模式搜索实验）、OSE（先行研究）、Niched Evolution、ABC（贝叶斯校准）。 更多详情，请下载后阅读README.md文件

效果展示： https://user-images.githubusercontent.com/36581610/78828927-79ee7900-79b3-11ea-9b25-936f19c4bf4a.gif 计分 1 行清零 = 100 分 2 行清零 = 200 分 3 线清除 = 300 点 清除 4 行（1 个俄罗斯方块）= 800 分 背靠背俄罗斯方块 = 1200 分 计算移动 当一块棋子开始发挥作用时，系统首先计算该棋子可以放置的每个可能的位置。对于每个位置，计算结果游戏状态的特征。 特征 相邻列的总高度差 空洞（无法用一块填充的空白空间） 结构的最大高度 结构的最小高度 行已清除 这些特征被输入到神经网络，神经网络输出该位置的分数。对于每个展示位置都重复此操作，并选择得分最高的展示位置。返回一个移动集，然后系统执行该移动集以将棋子放置到选定的位置。 有 10 列和 4 个旋转，因此每件有 40 个位置要计算。 更多详情，请下载后阅读README.md文件

一个用于快速部署遗传算法的框架，使用 Scala 和 Akka 构建，以实现最大的并行性和可配置性。 主要特征 允许快速设计算法的简单接口。 Akka 提供的高级并行性以最大化 CPU 使用率和可用线程。 Akka 配置文件允许在代码之外控制特定环境的线程池。 无需更改代码即可部署到分布式系统。 异步消息允许随时拍摄人口快照。 Hibernate/JPA 提供的染色体持久层。

Darwin 是一个灵活的遗传算法编程框架，旨在研究应用。它与表示无关，对于简单的 GA 示例和对于复杂的遗传编程问题一样有效。它可以配置为执行单目标和多目标优化，包括 SPEA2 算法。它具有自适应进化的功能，其中运行参数随着种群的变化而进化。 用法 将其添加到您的 project.clj 文件中： [darwin "1.0.0"] 可以在 ws/demo.clj 中找到一个简单的使用示例，可​​在此处查看。

原生交易遗传算法 - MQ4/MQ5 它是一个基于神经网络的自学习交易机器人，通过 C++ 直接构建在 Metatrader 中 此回购的目的是创建一个能够从市场中学习并做出决策的交易专家顾问，无需任何预先配置的设置或指标。 机器人可以同时做出决定，例如： 何时开/关/卖/买 分配哪些地段 更多详情，请下载后阅读README.md文件

gaai 使用人工智能遗传算法自动调整 MySQL 或 Percona 数据库服务器以获得最高性能，由 qps（每秒查询数）测量。 该工具可以很容易地扩展成为一个成熟的调谐器。我希望与此类似的代码将被添加到 MySQL 或 Percona 服务器中，并及时增长以覆盖许多（朝向“所有”）变量以及周围的智能位（内存计算、变量调整交互等）以进行自动调整。遗传算法引擎本身也可能通过使用更先进的遗传算法得到进一步改进。

效果展示： https://user-images.githubusercontent.com/36581610/50039518-d29d4400-0001-11e9-9c36-eb782cdb37c9.gif 播放器 每个玩家都有一个大脑，它有一个方向向量数组，用于确定他们的方向。起初这些向量都是随机初始化的。经过几代人的努力，玩家的大脑开始变得优化，可以在墙上导航。 人口 创建了 300 名玩家，每个人都有自己的大脑。一旦种群中的所有玩家都死亡，则计算每个玩家的适应度。在计算出适应度之后，种群然后执行自然选择。为此，创建了一个新的一代，它继承了前一代的一些内容并对其进行变异以可能产生改进。被继承的球员是由他们的适应度决定的，适应度较高的球员更有可能被选择继承。 突变 当对玩家的大脑进行变异时，全局变异率用于确定大脑中有多少变异。此变量初始化为 0.01 ( 1% )，但可以调整以引起或多或少的剧烈突变。