PIKAIA 遗传算法的现代 Fortran 版

提供以下功能： 快速和并行的遗传算法实现（它在几秒钟内解决了 N=255 的 N Queens 问题）。对于基准查看此文件的基准部分。 根据内置的世代，可定制的突变和选择率具有常数、线性和二次函数（您可以通过MutationRate和SelectionRate特征实现自己的函数）。 可自定义的个体年龄不适合度，没有不适合度，线性和二次不适合度根据个人内置的代数（您可以通过Age特征实现自己的年龄函数）。 AccumulatedRoulette和内置选择函数（您可以通过 trait 实现自己的选择函数Tournaments）。CupSelection SingleCrossPoint,MultiCrossPoint和UniformCross内置的交叉函数（您可以通过Crossovertrait 实现自己的交叉函数）。 许多内置的生存压力功能。SurvivalPressure您可以通过trait实现自己的生存压力函数。 Niches内置PopulationRefitness功能。您可以通过 trait 实现自己的人口适应功能PopulationRefitness。 等等

这是一个轻量级框架，可简化创建遗传算法并并行运行它们的过程

算法 (μ/ρ(+/,)λ)-SA-ES (ES) (μ/μ I ,λ)-CMA-ES (CMAES) 遗传算法（GA） 多目标：NSGA-II (NSGA2) 微分进化（DE） 遗传编程（TreeGP）

描述 Go/Golang 的遗传算法

RsGenetic 是一个在 Rust 中执行遗传算法的框架。它旨在具有简单但模块化的 API。

背景 进化优化算法是进化计算的一个子领域。他们的目标是在不使用任何梯度信息的情况下最小化/最大化函数（通常是因为没有可用的梯度）。它们具有通过繁殖、变异、评估和分类所谓的个体来探索搜索空间的共同属性。大多数进化算法旨在处理实值函数，但实际上它们通常用于处理更奇特的问题。例如，遗传算法可用于找到神经网络的最佳结构。 eaopt 提供各种进化优化算法的实现。在实现方面，这个想法是大多数（如果不是全部）所述算法可以写成遗传算法的特殊情况。实际上，这是通过使用遗传算法的通用定义，允许随意修改突变、交叉、选择和替换过程来实现的。该GA结构因此是 eaopt 最灵活的结构，其他算法都写在它之上。如果您没有找到任何适合您需要的算法，那么您可以轻松编写自己的运算符（如大多数示例中所做的那样）。 特征 使用一致的 API 可以使用不同的进化算法 您几乎可以使用GAstruct做任何事情 提供物种形成和迁移程序 常见的遗传算子（突变、交叉、选择、迁移、物种形成）已经实施 如果您的功能成本高昂，则可以并行进行功能评估

Ruby 的通用遗传算法是一种非常简单易用的 Ruby 遗传算法： 拿一个类来进化它并定义适应度、重组和变异方法。 使用种群创建一个 GeneticAlgorithm 对象。 根据需要多次调用进化方法，并查看最佳进化。

使使用 Elixir 编写遗传算法变得容易。 特征 Genex 力求尽可能简单和可定制。除了能够自定义遗传算法的每一步之外，Genex 还具有以下功能： 6 个选择运算符（预计 14 个） 12 位交叉操作员（预计 17 位） 4 个变异算子（预计 9 个） 完全可定制的演变 多目标优化 惩罚函数 基因型生成助手 常见问题的基准测试 可导出的家谱树 可出口名人堂 染色体的灵活编码（任意Enum） 可扩展的可视化 要请求功能，请打开一个问题

GA包提供了一套灵活的通用工具，用于在连续和离散情况下实现遗传算法搜索，无论是否受到约束。用户可以根据手头的问题轻松定义自己的目标函数。有几个遗传算子可用，可以组合起来探索当前任务的最佳设置。此外，用户可以定义新的遗传算子并轻松评估其性能。使用通用优化算法的局部搜索可以随机应用以利用感兴趣的区域。GA 可以顺序或并行运行，使用明确的主从并行化或粗粒度岛方法。