求解两个物种的 Lotka-Volterra 竞争（物流）模型。 物种 1：dx1/dt = alpha1*x1[(K1-x1-beta*x2)/K1] 物种 2：dx2/dt = alpha2*x2[(K2-x2-gamma*x1)/K2] 在哪里; K1＆2 =承载能力，alpha1＆2 =增长率，beta和gamma =物种的相互依赖性。 根据初始条件（物种的初始种群）和恒定参数（增长率和物种相互依赖性）模拟了四种情况。

非线性自抗扰控制器耦合参数多,常规经验整定法难以获得最优参数,以至于影响控制器的控制精度.单一机制的优化算法整定出的自抗扰参数均可能是局部最优解,不能有效提高自抗扰控制器的控制精度.针对此问题, 提出一种基于改进鲨鱼优化算法的自抗扰控制器参数优化设计方法.为解决基本鲨鱼优化算法易陷入局部最优解、算法后期收敛速度慢的问题,提出混合交叉变异策略与双种群协同机制,以ITAE指标为自抗扰控制器参数选择的优化目标,并以二自由度机械臂为例进行仿真验证.结果表明,优化后的自抗扰控制器具有更小的超调量和更高的控制精度,在加入外界干扰后,控制器可以很快抑制干扰,具有很好的抗干扰能力,改进后的鲨鱼优化算法可以用于复杂非线性系统自抗扰控制器的参数优化.

【概述】 遗传算法是一种大致基于模拟进化的学习方法 假设通常被描述为二进制位串，也可以是符号表达式或计算机程序 搜索合适的假设从若干初始假设的群体或集合开始 当前群体的成员通过模拟生物进化的方式来产生下一代群体，比如随机变异和交叉 每一步，根据给定的适应度评估当前群体中的假设，而后使用概率方法选出适应度最高的假设作为产生下一代的种子 遗传算法已被成功用于多种学习任务和最优化问题中，比如学习机器人控制的规则集和优化人工神经网络的拓扑结构和学习参数 本章主要介绍了基于位串描述假设的遗传算法和基于计算机程序描述假设的遗传编程 【动机】 遗传算法（GA）是一种受生物进化启发的学习方法，它不再是从一般到特殊或从简单到复杂地搜索假设，而是通过变异和重组当前已知的最好假设来生成后续的假设 每一步，更新被称为当前群体的一组假设，方法是使用当前适应度最高的假设的后代替代群体的某个部分 这个过程形成了假设的生成测试的柱状搜索，其中若干个最佳当前假设的变体最有可能在下一步被考虑

一 基本概念 二 基本遗传算法 三 遗传算法应用举例 四 遗传算法的MATLAB求解 五 遗传算法的特点与发展 遗传算法的基本思想是： 从一组解的初值开始进行搜索，这组解称为一个种群，种群由一定数量、通过基因编码的个体组成，其中每一个个体称为染色体。不同个体通过染色体的复制、交叉和变异又生成新的个体，依照适者生存的规则，个体也在一代一代进化，通过若干代的进化最终得出条件最优的个体。 　 　 个体与种群 个体就是模拟生物个体而对问题中的对象 （一般就是问题的解）的一种称呼，一个个 体也就是搜索空间中的一个点。 种群(population)就是模拟生物种群而由若 干个体组成的群体, 它一般是整个搜索空间 的一个很小的子集。

行业分类-设备装置-一种基于种群分解的自适应混合多目标进化方法.zip

基于蜜蜂双种群进化型云自适应遗传算法的电力系统多目标无功优化.pdf

模糊聚类在种群遗传分化分析中的应用.pdf

Permanence脉冲微分方程程序用matlab模拟种群的灭绝和持续生存matlab

1996 马知恩 种群生态学的数学建模与研究

#资源达人分享计划#