这是解决旅行商问题的遗传算法的 Ruby 实现。

本研究旨在确定IGA在EWCT应用中的效果，结果表明IGA具有良好的断层反转成像质量。所提出的 IGA 算法通过克隆、交叉和变异操作提高了种群的多样性。同时可以通过调整每个个体的集中度来控制种群的进化方向，有效地减少了SGA算法中遇到的局部最优解问题。此外，目标函数的全局搜索能力由存储单元保证。因此，本文为煤矿安全高效生产提供了保障，也为其他领域的反演问题提供了新的策略。

粒子群算法是一种常使用的演化算法，可用于数值函数优化、工程优化等。采用matlab进行编写粒子群算法优化单目标函数测试集，测试集采用CEC2017。CEC2017测试集包含29个测试函数，每个测试函数都进行测试优化，符合文献来源，可将测试集用于其它算法测试！

一文读懂遗传算法工作原理（附Python实现）.pdf

通过遗传算法 求解背包问题 python编写 含完整注释 绘制每一轮进化的最佳值和平均值

遗传算法求解背包问题的C++程序

一个基于进化/遗传算法的纯函数 scala 库： 强制不变性， 公开模块化和可扩展的架构， 实现最先进的算法， 处理嘈杂（随机）的适应度函数， 实现自适应算法， 实现具有分布式计算的算法，以便与OpenMOLE集成。 MGO 实现了 NGSAII、NSGA3、CP（校准配置文件）、PSE（模式搜索实验）、OSE（先行研究）、Niched Evolution、ABC（贝叶斯校准）。 更多详情，请下载后阅读README.md文件

效果展示： https://user-images.githubusercontent.com/36581610/78828927-79ee7900-79b3-11ea-9b25-936f19c4bf4a.gif 计分 1 行清零 = 100 分 2 行清零 = 200 分 3 线清除 = 300 点 清除 4 行（1 个俄罗斯方块）= 800 分 背靠背俄罗斯方块 = 1200 分 计算移动 当一块棋子开始发挥作用时，系统首先计算该棋子可以放置的每个可能的位置。对于每个位置，计算结果游戏状态的特征。 特征 相邻列的总高度差 空洞（无法用一块填充的空白空间） 结构的最大高度 结构的最小高度 行已清除 这些特征被输入到神经网络，神经网络输出该位置的分数。对于每个展示位置都重复此操作，并选择得分最高的展示位置。返回一个移动集，然后系统执行该移动集以将棋子放置到选定的位置。 有 10 列和 4 个旋转，因此每件有 40 个位置要计算。 更多详情，请下载后阅读README.md文件

一个用于快速部署遗传算法的框架，使用 Scala 和 Akka 构建，以实现最大的并行性和可配置性。 主要特征 允许快速设计算法的简单接口。 Akka 提供的高级并行性以最大化 CPU 使用率和可用线程。 Akka 配置文件允许在代码之外控制特定环境的线程池。 无需更改代码即可部署到分布式系统。 异步消息允许随时拍摄人口快照。 Hibernate/JPA 提供的染色体持久层。

Darwin 是一个灵活的遗传算法编程框架，旨在研究应用。它与表示无关，对于简单的 GA 示例和对于复杂的遗传编程问题一样有效。它可以配置为执行单目标和多目标优化，包括 SPEA2 算法。它具有自适应进化的功能，其中运行参数随着种群的变化而进化。 用法 将其添加到您的 project.clj 文件中： [darwin "1.0.0"] 可以在 ws/demo.clj 中找到一个简单的使用示例，可​​在此处查看。