matlab +人口增长代码囚徒困境作为癌症模型 作者：Jeffrey West，日期：2016年2月29日 刊物 此代码或在此框架之上开发的代码已在以下出版物中使用： 如何使用： 编写此代码是为了在MatLab中使用，main.m是可执行文件，buildA.m，buildQ.m，checkMutation.m，choiceBirthType.m，chooseDeathType.m是main.m可执行文件使用的函数。 参数 该代码运行进化动力学仿真，这是一个恒定的种群过程（N =竞争的细胞数=恒定）。 选择压力w在0（无选择，等同于Moran过程）和1（完全选择压力：囚徒困境的最大影响）之间变化。 这个简单的模型包含两个表型（健康，癌症），总共由2 ^ b个遗传类型组成，其中b是每个细胞“数字基因组”的位长。 例如，对于b = 4，有16种遗传类型可以分为11种健康和5种癌症类型。 该代码运行一次随机模拟并绘制结果。

在机器学习中，特征选择是对模型结果的优化和对特征的分析，无论是做机器学习分类或者回归模型，都可适用；在这里我使用（python）遗传算法对特征进行分析，然后选取最优特征建立机器学习回归模型。

https://doi.org/10.1016/j.ins.2018.12.065 MATLAB源码 结合SHADE和IDE两个算法进行分层运算

公司技术分享资料，介绍了APP开发技术的演进历程

基于分解的多目标遗传进化算法源程序，

(马化腾)创建生物型组织 让企业组织自我进化

进化算法（EA）是一种随机优化方法，在过去的几十年中，经证明它们能有效解决许多现实难题。 但是直到现在，我们仍然缺乏有效的方法来表示和研究它们在各种环境中的集体行为，这对于进化计算的研究人员和工程师更好地理解算法非常有用。 本文是解决上述问题的初步方法。 我们尝试通过一种称为特征学习的方法来分析EA的一代式集体行为。 提出了一种基于慢特征分析（SFA）的无监督特征学习框架，用于从不同适应度环境下的多个EA的世代集体行为数据中提取判别特征，目的是找出搜索行为之间是否存在差异。在同一健身环境中运行的不同EA的数量； 以及在不同适应度环境下运行的一种算法的行为之间是否存在差异。 此外，还研究了健身环境与EA搜索行为之间的关系。 在实验中，选择了几种典型的EA和具有典型景观的经典基准功能作为研究对象。 在提取的特征空间中可视化并比较了各种EA的集体行为。

针对基于邻域拥挤的差分进化算法求解非线性方程组系统时存在丢根、陷入局部最优等不足,提出一种改进的差分进化算法.首先,提出一种个体预判机制,判断当前群体的个体属于哪一类,并分别采取不同的操作;其次,设计一种新的混合差分变异算子,以增强算法跳出局部最优的能力;然后,改进外部存档策略,延长了父代优秀个体在种群的保存时间,有利于搜索该优秀个体附近的根.在所选测试函数集上的实验结果表明,所提出的算法能有效搜索到非线性方程组系统的多个根,并与当前5种算法进行对比,所提出算法在找根率和成功率上更具优越性.

在这些教程中，我们将演示和可视化遗传算法，进化策略，NEAT等算法。 下文提到的所有方法都有其中文视频和文本教程。 请访问 。 捐款 如果这样做对您有帮助，请考虑捐赠以支持我以获得更好的教程！ 任何贡献都将不胜感激！

基于蚁群算法的特点进行单目标优化，将其信息素作为选择概率。这里增加了，最优选择，把每次的最小值保存下来，且内含标准测试集，适合用于改进研究。