DDEA-SE 使用选择性代理集合的离线数据驱动的进化优化 王递，金耀初，孙超丽，约翰·多尔蒂，使用选择性代理集成的脱机数据驱动的进化优化，关于进化计算的IEEE事务，已被接受。

通过蚁群和遗传进化的旅行时间优化 在这个项目中，我解决了出租车的旅行时间优化问题。 可以将其称为“旅行推销员问题” ，这是众所周知的计算机科学问题。 目的是找到访问一组位置的最短路径。 对于此问题，需要优化技术来智能地搜索解空间并找到接近最优的解。 更具体地说，我首先使用XGBoost模型来预测每对上落地点之间的旅行时间。 然后，我使用了进化算法，即蚁群和遗传算法，为数据中的车辆找到了最佳的旅行路线。 可以在以下链接找到有关Medium的随附博客文章： 数据集 数据是已经下载到上的数据。 我有2016年黄色出租车，绿色出租车和出租汽车的月度数据。 该数据集具有11个属性的近150万个行程记录

来源：Tian M, Gao X, Yan X.Performance-driven adaptive differential evolution with neighborhood topology for numerical optimization[J].Knowlegde-Based Systems,2019,188:105008. 压缩包内容：CEC2014文件夹：主运行文件CEC2014D30RUN.m、CEC2014D50RUN.m、cec14_func.mexw64、input_data文件夹、NPADE.m、SingleFunctionTest.m 代码仅供参考。

差分进化全局优化算法的 Clojure 实现。 要在您的 leiningen 项目中使用，请添加： [deoptim "0.1.0"] 到你的 project.clj 更多详情、使用方法，请下载后阅读README.md文件

示例应用程序（参见示例目录）提供了一个寻找最小功能的过程： cost(x) = -cos(Pi * |x| / (1 + |x|)) 其中 x 是 4D 向量。要查看此演示文稿，您需要在 Web 浏览器中启用 websocket。 更多详情、使用方法，请下载后阅读README.md文件

背景 进化优化算法是进化计算的一个子领域。他们的目标是在不使用任何梯度信息的情况下最小化/最大化函数（通常是因为没有可用的梯度）。它们具有通过繁殖、变异、评估和分类所谓的个体来探索搜索空间的共同属性。大多数进化算法旨在处理实值函数，但实际上它们通常用于处理更奇特的问题。例如，遗传算法可用于找到神经网络的最佳结构。 eaopt 提供各种进化优化算法的实现。在实现方面，这个想法是大多数（如果不是全部）所述算法可以写成遗传算法的特殊情况。实际上，这是通过使用遗传算法的通用定义，允许随意修改突变、交叉、选择和替换过程来实现的。该GA结构因此是 eaopt 最灵活的结构，其他算法都写在它之上。如果您没有找到任何适合您需要的算法，那么您可以轻松编写自己的运算符（如大多数示例中所做的那样）。 特征 使用一致的 API 可以使用不同的进化算法 您几乎可以使用GAstruct做任何事情 提供物种形成和迁移程序 常见的遗传算子（突变、交叉、选择、迁移、物种形成）已经实施 如果您的功能成本高昂，则可以并行进行功能评估

NSGA-Ⅱ（实数编码） gen=500 ， pop=500 ，n=12，var-domain=[0,1]，fun=3； Convergence metric ????

1、MOEA/D-FD是一种求解动态多目标优化问题的新算法，在动态多目标优化问题中，多目标函数和/或约束可能会随时间变化，这就需要多目标优化算法跟踪运动的Pareto最优解和/或Pareto最优前沿。当检测到环境变化时，设计一阶差分模型来预测一定数量Pareto最优解的新位置。另外，旧的pareto最优解的一部分被保留到新种群中。将预测模型融合到基于分解的多目标进化算法中，求解动态多目标优化问题。通过这种方式，可以更快地跟踪更改后的POS或POF。该算法在多个具有不同动态特性和难度的典型基准问题上进行了测试。实验结果表明，该算法在求解动态多目标优化问题时具有较好的性能。 2、文件夹中包括了该算法的论和相关Matlab代码的实现。

多目标进化优化 郑金华 OCR版本可复制可搜索

CEC2017单目标锦标赛冠军算法LSHADE-SPACMA的matlab版本代码