受非洲秃鹰生活方式的启发，提出了一种新的元启发式算法。该算法被命名为非洲秃鹰优化算法（AVOA），模拟非洲秃鹰的觅食和导航行为。为了评估 AVOA 的性能，它首先在 36 个标准基准函数上进行了测试。然后进行了一项比较研究，证明了所提出的算法与几种现有算法相比的优越性。为了展示 AVOA 的适用性及其黑盒性质，它被用来为 11 个工程设计问题寻找最佳解决方案。根据实验结果，AVOA 是 36 个基准函数中的 30 个的最佳算法，并在大多数工程案例研究中提供卓越的性能。Wilcoxon 秩和检验用于统计评估，表明 AVOA 算法在 95% 置信区间内具有显着优势。

一种新颖的元启发式：原子轨道搜索（AOS）是一种为优化目的而提出的新型元启发式算法。

一种元启发式算法 与基本的蝙蝠算法（BA）不同，NBA中不同的个体有不同的搜索策略，并且在NBA中也嵌入了自适应的局部搜索策略。 从这个意义上说，NBA 是一种多群自适应算法。 模拟和比较显示了NBA在许多元启发式算法上的优越性。

我们研究了两个 D-Wave QPU 在处理器读取次数有限的小型网络路由问题上的性能。 通过将其与标准工作站上使用良好的 Gurobi 和 Cplex 经典求解器进行比较，我们发现 2000Q 和 Advantage 在绝对运行时间方面都产生了卓越的性能。 对于将类似的 QPU 应用于此类问题，这是一个令人鼓舞的概念验证结果。 我们发现确定 QPU 性能最相关的量是我们应用它的 QUBO 的整体大小，尽管我们确实发现底层网络图的大小和源的数量也有显着影响。 虽然这里的大多数问题都涉及小型 QUBO，但偶尔也会产生较大的 QUBO。 即使在几次读取中，QPU 也能够解决大多数小于 20 大小的 QUBO，并且无法超过这个大小。 虽然这个范围仍然可以通过详尽的搜索方法获得，但这项研究仍然提供了有用的概念验证，因为这些问题通常可以很快得到解决。 这份 Processing Time e Processing Time e Processing Time 工作提出了一条通往实际量子优势的途径，其中可以通过经典方式解决的问题仍然通过更快地解决而产生优势。

1. 算法优化算法(AOA)是一种新的元启发式算法，它利用了数学中主要算术运算符的分布特性，该算法于2021年提出。Reference: Abualigah, L., Diabat, A., Mirjalili, S., Abd Elaziz, M., and Gandomi, A. H. (2021). 2. 该资源是算术优化算法的MATLAB代码，可直接运行，对CEC05年版本的基准测试函数进行寻优。运行结果包括最优解和最佳适应度值，以及收敛曲线的图像。

如今，优化算法的设计非常流行来解决各个科学领域的问题。 优化算法通常受代理的自然行为启发，代理可以是人类、动物、植物或物理或化学代理。 过去十年中提出的大多数算法都是受动物行为启发的。 在本文中，我们提出了一种新的优化器算法，称为野马优化器（WHO），其灵感来自野马的社交生活行为。

论文研究-基于灾情信息更新的应急物资配送多目标随机规划模型.pdf,  研究了多出救点、多受灾点、多物资、多车型的应急车辆选址、路径选择和物资配送问题. 考虑到灾害预测准确性和物流成本效率之间的悖反关系, 从多目标规划和随机规划的角度, 建立了应急物资配送的多目标随机规划模型. 建模中同时考虑需求和配送路径连通性的随机性, 以及出救点对受灾点的最大覆盖范围限制. 将统计决策与运筹规划相结合, 设计一个加权贝叶斯风险将多目标规划问题转化为单目标规划问题, 以及设计一个决定最优停止观测时刻的决策规则使原问题转化为最优停止问题. 通过Xpress软件编程求解. 最后, 算例分析表明了模型和软件的求解速率与精度, 并分别证明了两阶段随机规划和灾情信息更新的优势.

idea开发的ssm框架应急管理系统，前端jsp，后端java，数据库MySQL

BioMARL：基于生物启发式算法的多智能体强化学习算法 项目介绍： 多智能体系统（MAS）通过解决复杂任务的规模，可靠性和智能性，已被广泛的地面不同的应用领域，如计算机网络，机器人和智能电网等。和生产的重要因素。然而，以往的多代理通信研究主要是预先定义的通信协议或采用额外的决策模块进行通信调度，这将造成巨大的通信开销，并且不能直接推广到一个大型代理集合。了一个轻量级的通信框架：基于信息素协同机制的分布式深度Q网络算法（Pheromone协作深度Q网络，PCDQN） ，它结合了深度Q网络和stigmergy机制。我们证明了PCDQN框架的优越性，同时也将我们的模型转移到解决多代理路径搜索问题上。利用PCDQN框架，多代理编队能够学习适当的策略，成功地在雷区导航环境中获得最优路径。 实验环境 Windows10操作系统，8GB内存，2核Intel Core i7-6500U pytorch-

第4讲 多资源车间调度优先分配启发式算法 1 4.1 多资源车间调度概述 1 4.2 优先分配Giffler Thompson启发式算法及其流程 3 4.3 优先分配Giffler Thompson启发式算法Matlab实现 6 4.3.1 数据结构设计 6 4.3.2 Matlab程序实现 8 4.3.3 优先分配规则Matlab程序运行结果 9 4.4 优先分配Giffler Thompson启发式算法总结 11