提出了一种基于RBF网络和启发式Q学习的改进，更强大的RNH-QL方法，用于在较大状态空间中进行路径搜索。 首先，如果增加了给定问题的状态空间并且缺少关于环境的先验信息，则解决了强化学习效率低下的问题。 其次，作为权重更新规则的RBF网络，奖励整形可以在某些中间状态下向代理提供额外的反馈，这将有助于以更可控的方式将代理引导至目标状态。 同时，通过Q学习的过程，底层动态知识可以访问它，而不需要上层RBF网络的背景知识。 第三，结合贪婪开发策略训练神经网络，提高了学习效率，实验结果证明了这一点。

粒子群算法的Python实现。除此之外，还有这些算法的集合：差分进化算法、遗传算法、粒子群算法、模拟退火算法、蚁群算法、免疫优化算法、鱼群算法

订单分批问题的数学模型及节约启发式算法,订单分批是为了提高拣货作业的效率而将多张订单合并成一批, 进行批次拣取作业, 其目的在于缩短拣取时平均行走搬运的距离及时间。

Qt材料 这是PySide6 ， PySide2和PyQt5的另一个样式表，看起来像Material Design（足够接近）。 有一些自定义的深色主题： 和光： 导航 安装 pip install qt - material 用法 import sys from PySide6 import QtWidgets # from PySide2 import QtWidgets # from PyQt5 import QtWidgets from qt_material import apply_stylesheet # create the application and the main window app = QtWidgets . QApplication ( sys . argv ) window = QtWidgets . QMainWindow () # setup sty

为了开发一种高效，受自然启发的优化算法，我们在此提出了一种新颖的元启发式方法，称为晶体结构算法（CryStAl）。 该方法的主要灵感来自从基础添加到晶格点所形成的晶体结构的基本原理，这是一种自然现象，可以从组分（即原子，分子或离子）的对称排列中看出。晶体矿物，例如石英。 原始纸： 晶体结构算法（CryStAl）：一种元启发式优化方法Siamak Talatahari，迈赫迪阿齐兹，穆罕默德Tolouei，巴巴克Talatahari和Pooya Sareh IEEE访问

所提出的范式模拟了乌鸦-杜鹃-猫系统模型中捕食者（猫）、寄生虫（杜鹃）和宿主（乌鸦）之间的相互作用。 因此，这个混合框架结合了猫群优化（CSO）、布谷鸟搜索（CS）和乌鸦搜索算法（CSA）的相对优势。 此代码演示了 PPA 如何适用于 23 个常用基准。 更多信息请参考： Mohamed AAA、Hassan SA、Hemeida AM 等人（2019 年）。 寄生捕食算法（PPA）：一种新的特征选择方法。 Ain Shams Engineering Journal. DOI: http://dx.doi.org/10.1016/j.asej.2019.10.004 https://www.sciencedirect.com/science/article/pii/S2090447919301406

本资源为使用蚁群算法来优化路径，并使用在具体的旅行商问题上，主函数将寻优过程和收敛曲线绘图显示

数学建模的关键算法，常规解决方案，启发式算法是研究数学建模的基础

灵感来自于大猩猩部队在自然界中的社会智能，称为人工大猩猩部队优化器（GTO）。在这个算法中，大猩猩的集体生活是用数学公式表示的，并且设计了新的机制来进行探索和开发。为评估 GTO，将其应用于 52 个标准基准函数和 7 个工程问题。Friedman 检验和 Wilcoxon 秩和统计检验在统计上比较了所提出的方法与几种现有的元启发式方法。结果表明，GTO 在大多数基准函数上的性能优于比较算法，特别是在高维问题上。结果表明，与其他元启发式算法相比，GTO 可以提供更好的结果。

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。