通过协方差矩阵自适应提高差分进化的性能

关于生物信息学的资料 上面是进化算法在基因序列中的应用

用于构建进化树的软件，内含建造的教程。但是一个测试版的！

进化树分析

非支配排序，拥挤度计算，pareto前沿，A Fast and Elitist Multi-objective Genetic Algorithm:NSGA-II NSGA算法 NSGA算法缺陷 NSGA-II算法 总结 1. 快速非支配排序法将时间复杂度改进为O(MN2)； 2.使用拥塞距离代替代替共享函数算法保持种群多样性； 引入精英保留策略。 非支配排序的复杂度较高: O(MN3) （M是目标函数的个数，N是种群大小)； 缺少精英保留策略； 需要人为指定共享参数σshare（共享小生境步骤）。 NSGA： nondominated sorting genetic algorithms-非支配排序遗传算法 nondominated：非支配 例：回家，两目标（费用，时间），均越小越好 动车A（270 , 7），普快B（120 , 10），飞机C（240，2） C（240，2）支配A（270 ， 7）; A（270 , 7）被C（240，2）支配; B（120 , 10）和C（240，2）不可比，即非支配。 目的：得到一组非支配的解--Pareto最优解集。

再发一个微分进化算法DE的小程序-DE-test.rar 晚上用了三个小时，用两个特殊函数测试了一下，结果很不错，希望对初学者有帮助哦！

python实现基于改进的差分进化算法求解柔性作业车间调度问题源码+项目说明.7z 问题规模以(工件J*工序P*机器M)表示，例如J20P10M10表示共有20个工件，每个工件有10个工序，总共有10个加工机器可供选择。data文件夹中的文件表示程序所用的数据，其中data_first文件的问题规模是J10P5M6，data_second文件的问题规模是J20P10M10，data_third文件的问题规模是J20P20M15。对于其中数据的解释：横向表示工序，纵向表示机器，每个数值表示机器加工工序的耗时，工序和机器都是按顺序排列的。以data_first.txt文件为例，前五行分别表示第一个工件的5个工序分别在6台机器上加工的时间，第5-10行表示第二个工件的5个工序分别在6台机器上加工的时间，以此类推。 关于编码，本项目采用的是同类问题常用的编码方式，参考论文“基于改进遗传算法的柔性作业车间调度问题研究”，与该论文所述的编码方式不同的是，本项目的编码中第一段为工序编码，第二段为机器编码。

通过蚁群和遗传进化的旅行时间优化 在这个项目中，我解决了出租车的旅行时间优化问题。 可以将其称为“旅行推销员问题” ，这是众所周知的计算机科学问题。 目的是找到访问一组位置的最短路径。 对于此问题，需要优化技术来智能地搜索解空间并找到接近最优的解。 更具体地说，我首先使用XGBoost模型来预测每对上落地点之间的旅行时间。 然后，我使用了进化算法，即蚁群和遗传算法，为数据中的车辆找到了最佳的旅行路线。 可以在以下链接找到有关Medium的随附博客文章： 数据集 数据是已经下载到上的数据。 我有2016年黄色出租车，绿色出租车和出租汽车的月度数据。 该数据集具有11个属性的近150万个行程记录

如今的商业世界正在进入一个超越传统组织边界、岗位职责边界、技术范围的空间。所有人力资源管理者，都正在和将要经历一场与数字化新世界相互协调统一的过程。这可能意味着，过去的人才战略规划、组织架构、岗位设计、招聘、绩效管理、领导力和文化，将会面临一种进化。比如员工和组织的关系，雇佣模式多样性特征呈现。组织逐渐演变成由全职雇员与自由工作者组成的混合体，工作也将由全职员工、自由工作者、外包服务机构、人力资源平台、人工智能等协同完成。 雇佣模式变化的同时，企业仍需要更多具有创新精神的员工，而拥有创造力的员工有时需要有更多“空白”的时间。正如一个事物变化的同时，那些先进的组织正不断地进化，一些人力资源管理者角色和职责已经在发生变化。他们需要为包括自己在内的员工进行更多地“留白”，利用数字化工具从繁琐的劳动中被解救出来，以便发挥更大的创造性，并尽量减少人为决策中的各种可能是无意识的偏见；他们需要利用机器的同时，更要完善地监督和管理它；他们更需要与工具一同，预见未来可能存在的各种风 险，创造性地为企业内所有员工获得更优良的体验感和幸福感，以便发挥员工更大价值而努力。

差分进化算法由 Storn 和 Price 于 1995 年首次提出，是一种基于群体的高效启发式全局优化搜索算法，主要用于求解实数优化问题。差分进化算法属于进化算法，在神经网络参数优化等方面有着重要应用。