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。

对执行策略的改进 混合遗传算法 免疫遗传算法 小生境遗传算法 单亲遗传算法 并行遗传算法

本课题牵涉神经网络和遗传算法。两者都是当今广泛应用的智能算法。两者有共同点也有不同点，有各自的优点和缺点。人们也尝试将两者结合，实现互补。在结合过程中最常见的便是用遗传算法作为训练神经网络的算法。众所周知，神经网络的经典算法一直难以克服陷入局部极小点的缺点，而遗传算法的随机特征能一定程度克服这个缺点。本文另辟蹊径，将神经网络应用于遗传算法中。适应度函数作为遗传算法的重要组成部分，通常是事先确定的。比如在用遗传算法搜索函数最小点时，函数本身就是天然的适应度函数。但是认真想一想，把这个函数作为适应度函数其实也并不完全好。函数值的大小并不一定反应该点是否接近最小值，或者保留它有利于搜索最小值。本文利用神经网络来训练适应度函数，避免适应度函数对遗传算法中单个“染色体”或“物种”做出过于严格的判断。此外，适应度函数如果太复杂会使计算负担加重，而神经网络一般只涉及简单得计算，故而可以提高效率。 如果该方法能够成功，那么我们不仅提供了一种新的优化方法，而且能更加真实地反应物种进化的过程。对生物学研究也会有启发。

用遗传算法解决或问题，通过训练实例，使算法学习或运算，给出较精确的输出结果。