使用语法进化来寻找交易信号的遗传算法的实现 数据回购 数据仓库的结构应如下所示： +-- data-repo - contains script to gather data SPY_returns.txt (-r) +-- data - Helix expects this directory to exist in the repo pathname +-- backtests - results are saved to /tmp but can be manually moved here SPY_returns.txt 此文件中的数据应具有以下形状： epoch, return 第一列代表纪元时间，第二列代表要预测的回报。这通常是下一个期间的回报。 数据 分析中使用的所有历史价格数据都应存储在此处。Helix 将读取整个目录并从文件名中解析股票代码，因此文件应该是相应的名称。例如文件AAPL应该有一个AAPL.csv文件名。 文件中的数据应遵循OHLCV不带标题的格式。第一列应该是股票代码，第二列应该是纪元时间。

这是一个模拟，它使用人工智能（具体来说：遗传算法）来尝试制造越来越好的车辆。车辆必须克服障碍，从一些小山坡开始，然后是更陡峭的山坡，最后是一些跳跃。车辆由面板和轮子制成，连接在一起，类似于游戏围攻，除了 2D。 传算法 快速了解它的工作原理： 车辆数量最初是随机生成的。 模拟在所有车辆上运行。车辆越过障碍路线，其适应度就越高。如果车辆没有离开起始区域，它的适应度为 0。如果车辆一直到达终点线，它的适应度约为 14000。如果车辆分崩离析，则将其适应度除以 10，对其进行惩罚；车辆应尽量保持完好。此外，还设置了一个计时器，因此车辆只有一定的时间才能到达终点线。 这些车辆经历了交叉和变异的过程，更适合的车辆被用作父母的机会更高。该程序使用锦标赛选择来选择父母，并使用单点交叉从两个父母产生后代（这意味着，给定两个父母车辆 A 和 B，A 的左侧与右侧B，反之亦然，创建两辆新车）。此外，块是统一变异的（这意味着块被随机挑选并更改为空气、面板或轮子）。结果是新的车辆数量，进入了新一代。 转到第 2 步。无限重复。 理想情况下，在足够频繁地重复这些步骤之后，人群的适应度应该会提高，并且许多车辆

在一个移动机器人的路径规划问题中，目标是找到一个最优的碰撞自由路径 将源代码发送到单个或多个目标。基于领域知识的遗传算法已被提出解决有单个和多个独立目标的路径规划问题。四个新的基于域知识的运算符，即“电路去除操作符”、“插入-删除操作符”、本文中引入了“细化算子”和“目标对齐算子”。其中四个操作符，前三个被用于具有单一目标的路径规划问题，而所有这四个算子已被用于具有多个独立目标的路径规划问题。所提出的方法已被部署在几个不同大小的模拟环境中。从实验结果表明，基于领域知识的算子增强了计算性能传统遗传算法的能力。我们提出的移动机器人的路径规划方法单一目标的问题优于先前提出的基于进化算法方法。

摘要和特点 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。

【BP预测】基于遗传算法优化BP神经网络实现股价预测附Matlab代码.zip

BrkgaMpIpr.jl为具有隐式路径重新链接的多亲偏向随机密钥遗传算法 ( BRKGA-MP-IPR )提供了一个非常易于使用的框架。假设您有一个解码器来解决您的问题，我们可以在少于 5 个命令中设置、运行和提取最佳解决方案的值（显然，您可能需要很少的其他代码行来进行正确的测试）。 这个 Julia 版本提供了一个像 C/C++ 一样快的框架，像 Python 一样易于编码，而且它比 Matlab 便宜得多（实际上，免费）。单元和覆盖测试已完全实施，所有伪随机测试数据都经过精心设计以保证可重复性（尽管某些测试可能会因为随机数生成器的不同版本而失败）。因此，BrkgaMpIpr.jl应该适合在生产环境中使用。 如果 Julia 不适合您，我们可能会发现 C++ 版本有用。 我们还在开发 处于早期阶段的Python 版本。目前，我们没有计划以其他语言（如 Java 或 C#）实现 BRKGA-MP-IPR。但如果你想这样做，你是必须欢迎的。但是请保持 API 尽可能接近 C++ API（或 Julia API，以防您决定使用 C），并使用您选择的语言/框架的最佳编码和文档实践。

使用基本遗传算法解决 n-queen 问题

QGA_QSA 使用 Python 和 Julia 进行分布式量子模拟退火的特征子集选择的量子启发遗传算法

GA-球形-Jl 用于求解球面基准函数的遗传算法的 Julia 实现

遗传算法朱莉娅 在 Julia 中从头开始优化多个变量的实函数的简单遗传算法。 算法参数在 algo_inputs.txt 中给出： 代数 人口规模 number_genes 变量范围低 变量范围高 function_param：可用的函数是 sphere 和 schwefel。 结果示例： 左边的图表显示了人口的适应度平均值和右边的适应度最大值。