该文件是为解决全局优化问题而提出的增强型Jaya算法的源代码。

针对基本蝴蝶优化算法中存在的易陷入局部最优值、收敛速度慢等问题，提出一种全局优化的蝴蝶算法，引入limit阈值来限定蝴蝶优化算法陷入局部最优解的次数，从而改变算法易陷入早熟的问题，结合单纯形策略优化迭代后期位置较差的蝴蝶使种群能够较快地找到全局最优解；将正弦余弦算法作为局部算子融入BOA中，改善迭代后期种群多样性下降的缺陷，加快算法跳出局部最优。在仿真模拟实验中与多个算法进行对比，结果表明改进算法的寻优性能更好。

小推力深空探测轨道全局优化设计

高效全局优化算法及其在团簇优化中的应用研究

用于研究纳米团簇（有机体）程序的遗传算法：用于纳米团簇的遗传算法 奥塔哥研究纳米团簇的遗传算法，包括结构方法和相似性（有机体）程序，旨在对纳米团簇进行遗传算法全局优化。 它的设计灵感来自Roy Johnston集团的伯明翰集群遗传算法和伯明翰并行遗传算法（请参阅JBA Davis, A. Shayeghi, SL Horswell, RL Johnston, Nanoscale, 2015,7, 14032 （ 或）， RL Johnston,Dalton Trans., 2003, 4193–4207 （ 或 如果您是有机体计划的新手，建议在下载之前通过在交互式Jupyter + Binder交互式页面上运行有机体来尝试一下。 在Jupyter + Binder上，您可以在网络上玩生物程序。 您无需安装任何程序即可在Jupyter + Binder上试用有机体。 单击下面的“活页夹”

全局优化工具箱提供了一些函数, 用于寻找包含多个极大值或极小值的问题的全局解。工具箱包括全局搜索、多初始点、模式搜索、遗传算法、多目标遗传算法、模拟退火和粒子群求解。您可以使用这些求解器解决优化问题。通过设置选项和自定义创建、更新和搜索功能, 可以提高规划求解的有效性。您可以使用自定义数据类型与遗传算法和模拟退火求解来表示不容易用标准数据类型表示的问题。混合函数选项使您可以通过在第一个之后应用第二个求解器来改进解决方案。

一种具有组合重组和修正超变算子的混合克隆选择新算法，用于全局优化

建立了以V带疲劳寿命最长为目标的优化设计模型。深入研究了该模型中目标函数的凸性、单调性等性质,证明了其可行域是有界闭凸集。以此为基础提出了求解该模型的一种全局优化解法——最优值线段算法。最后用实例说明了该模型和全局优化方法的有效性和实用性。

提出了一种用于全局优化的基于动态聚类的差分进化算法（CDE），以提高差分进化（DE）算法的性能。 随着人口的发展，CDE算法逐渐从早期探索有希望的领域转变为在后期探索具有高精度的解决方案。 对28个基准问题（包括13个高维函数）进行的实验表明，该新方法能够有效地找到接近最优的解。 与其他现有算法相比，CDE以更少的计算量提高了解决方案的准确性。

提出了一种用于全局优化的混合差分进化算法。 在新算法中，混沌系统的随机性被用来在搜索空间中尽可能多地散布个体，模式搜索方法被用来加速局部开发，而DE算子被用来跳到一个更好的点。 证明了全局收敛。 详细研究了三种典型的混沌系统。 在包含13个高维函数的基准示例上的数值实验表明，该新方法以较少的计算量实现了更高的成功率和最终解决方案。