工程优化中的元启发式和进化算法，元启发式算法是独立于问题的算法，一般起源于自然观测，常见有遗传算法，粒子群优化等，本书对于目前性能最好的一系列算法基本进行介绍。

这是元启发式算法Novel Bat Algorithm (NBA) 的演示。 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。

旅行商问题的启发式算法 遗传算法 生成染色体的随机种群 计算每个染色体的适应度 重复步骤 使用选择方法选择父母对 以概率 Pc 通过对父母的交叉生成一个孩子 通过以概率 Pm 交换基因来突变孩子 使用精英主义用新的人口替换当前的人口 代表 - TSP 每条染色体都是问题的一个解，由一组基因组成 每个基因代表一个城市 每条染色体只包含一个基因一次 交叉 从旧人口中选择给父母锦标赛选择（替代轮盘，基于奖励） 随机选择要从第一个父级继承的部分并完成第二个父级的缺失部分 突变 根据突变率，有可能在遗传的每个染色体中交换两个基因 替代使用 k-opt 交换 蚁群优化 在起点生成蚂蚁种群 移动每只蚂蚁直到全部到达目标点并返回起点 蚂蚁配置信息素在那里移动到点之间 信息素在每个点蒸发。 在较长的路径上，信息素蒸发得更快 产生新的种群并重复 代表 - TSP 以随机城市为起点生成蚂蚁种群 移动图表上

共生生物搜索 (SOS) 是一种新的基于种群的元启发式算法。 SOS 是一种简单而强大的优化算法。 然而，与大多数元启发式算法不同，它不需要用户调整任何特定于算法的控制参数。 实现了SOS的MATLAB函数代码，可在此下载。 代码中还包含了总共 26 个基准函数，因此，用户可以研究 SOS 在解决这些函数时的性能，或者可以将其与其他元启发式算法进行比较。 SOS 首次出现在 Min-Yuan Cheng, Doddy Prayogo 的文章中。 (2014)。 “共生生物搜索：一种新的元启发式优化算法”。 计算机和结构。 http://dx.doi.org/10.1016/j.compstruc.2014.03.007

用人工智能领域中经典的启发式算法实现了人工智能中的十五数码问题。包括详细的实验报告和源代码，源码由C#可视化编写，debug中有编译好的程序，界面友好。另注：船院6系学生不要下载，避免雷同。

biaoding_标定_拟合_温度优化_启发式算法_插值_源码.rar

车辆路径调度问题的启发式算法综述，杨燕旋，宋士吉，车辆路径调度问题是一类具有重大研究意义及广泛应用价值的NP难优化问题。本文给出了该问题的定义和基本描述，并将目前为止被应用�

matlab代码粒子群算法合作PSO-LA 基于学习自动机（CPSOLA）算法和Matlab的协同粒子群优化算法的Matlab代码。 抽象的 本文提出了一种基于群体协同行为和自动机学习能力的粒子群优化（PSO）技术。 这种方法称为基于学习自动机的合作粒子群优化（CPSOLA）。 CPSOLA算法使用三层协作：群内，群内和群间。 CPSOLA中有两个活跃的种群。 在主要种群中，粒子被放置在所有群体中，每个群体都包含搜索空间的多个维度。 此外，CPSOLA中还有一个二级人口，使用的是常规PSO的更新格式。 在合作的上层，嵌入式学习自动机（LA）负责决定是否在人群之间进行合作。 在五个基准功能上组织了实验，结果显示了CPSOLA的显着性能和鲁棒性，群体的协作行为以及成功的种群自适应控制。 参考 [1] Mohammad Hasanzadeh，Mohammad Reza Meybodi和Mohammad Mehdi Ebadzadeh，“”，在2012年第20届伊朗电气工程大会（ICEE）上，2012年，第656至661页。 [2] Mohammad Hasanzadeh，Mohammad R

这段代码展示了一种新算法，它对解决基于分形中出现的扩散特性的优化问题提供了新的见解。 该算法能够在最少的迭代次数内实现与全局最优解相比具有最小（或最多小）误差的解，从而在准确性、收敛时间和操作简单性方面提供改进。 ------------------------------------------ 文章链接： http://www.sciencedirect.com/science/article/pii/S0950705114002822

matlab写脑式算法代码作为迷宫求解器实现的 A* 搜索算法 该代码使用 A* 算法来解决输入迷宫，搜索其解决方案路径并直观地表示它。 该搜索算法对目标执行完整的、可接受的和最佳搜索。 这段代码中的 A* 是用 MATLAB 编写的，是作为函数实现的。 注意：使用的启发式函数只是到目标的欧几里德距离，知道它的位置。 函数输入：Square Matrix，代表迷宫，'1' 墙，'0' 空闲位置，'3' 起点，'9' 目标点。 示例：迷宫 = [1 1 1 1 1 1 1 1 1 1 1 1 1 1 1; 1 0 0 0 0 0 0 0 1 0 0 0 0 0 1; 1 0 1 1 1 1 1 0 1 0 1 1 1 0 1; 1 0 1 0 0 0 0 0 1 0 1 0 1 0 1; 3 0 1 0 1 1 1 1 1 0 1 0 1 0 1; 1 0 1 0 0 0 0 0 0 0 0 0 1 0 1; 1 0 1 0 1 1 1 1 1 1 1 0 1 0 1; 1 0 1 0 0 0 0 0 1 0 0 0 1 0 1; 1 0 1 0 1 0 1 0 1 1 1 1 1 0