差分进化全局优化算法的 Clojure 实现。 要在您的 leiningen 项目中使用，请添加： [deoptim "0.1.0"] 到你的 project.clj 更多详情、使用方法，请下载后阅读README.md文件

DifferentialEvolutionMCMC.jl 是一个用 Julia 编写的差分进化 MCMC 采样器，使用 AbstractMCMC 接口。DifferentialEvolutionMCMC.jl 适用于任何模型，前提是它返回精确或近似的对数似然。下面提供了一个带注释的示例。其他示例可以在示例子文件夹中找到。 更多详情、使用方法，请下载后阅读README.md文件

基于差分进化的快速参数采样器和优化器。 汇编 Diver 构建系统并没有真正复杂到需要 autotools 或 cmake。只需手动更改makefile以适应您的系统，或从另一个 makefile 或命令行调用它。 要将 Diver 构建为静态库并构建所有示例，请执行

差分进化算法的Scala实现_Scala_代码_下载

示例应用程序（参见示例目录）提供了一个寻找最小功能的过程： cost(x) = -cos(Pi * |x| / (1 + |x|)) 其中 x 是 4D 向量。要查看此演示文稿，您需要在 Web 浏览器中启用 websocket。 更多详情、使用方法，请下载后阅读README.md文件

差分进化算法是由 Storn & Price 开发的一种优化算法。给定具有一组N参数的函数，该算法在定义的参数空间内创建一组NP 随机解，然后使用参数之间的变化来改变现有种群并找到更好的解。虽然这种优化方法可能很慢，但它可以避免陷入局部最小值，并且是一种易于实现和理解的简单算法。 微分进化也可以很容易地适应马尔可夫链蒙特卡罗方法。该包在 Go 编程语言中实现了差分进化和马尔可夫链蒙特卡洛差分进化。 更多详情、使用方法，请下载后阅读README.md文件

用 Object Pascal 编写的差分进化库。通过使用差分进化 (DE)，可以通过尝试改进关于给定质量度量的候选解决方案来迭代优化问题。

特征选择的二元差分进化 介绍 此工具箱提供二元差分进化 (BDE) 方法 该Main文件说明了 BDE 如何使用基准数据集解决特征选择问题的示例。 输入 feat ：特征向量（实例x特征） label ：标签向量（实例x 1） N : 解决方案的数量 max_Iter: 最大迭代次数 CR : 交叉率 更多详情、使用方法，请下载后阅读README.md文件

该实现利用差分进化来分析三维空间中的通用机器人系统，其链接由Denavit-Hartenberg 参数描述。优化（适应度函数）考虑了从操纵器（最后一个链接的末端）到空间中目标点的欧几里得距离。 该实现足够通用，可以针对系统的任何功能进行优化。出于演示目的，唯一的可变参数是 θ。 下面给出了一个具有四个链接的机器人系统的示例。 https://github.com/gabrieljablonski/inverse-kinematics-differential-evolution/blob/master/resources/robotic_system.png 更多详情、使用方法，请下载后阅读README.md文件

Ruby 中的差分进化 (DE) 算法