%Step 1 问题相关数据初始化 %Step 2 算法参数初始化 %Step 3 种群初始化 %step 4 根据单一染色体获得其详细的调度方案 %生成机器基础表 %获取可用机器编码 %依次为jobSeq中的作业安排当前的机器及开工、完工时间 %获取这些可用机器中最早可用机器编码 %根据可用机器的最早可用时间和当前作业的最早可用时间确定该作业在该到工序上的开工，完工时间 %更新作业和机器的可用时间

CVRP bin文件夹中已经有编译好的class文件。 若需重新编译，双击批处理文件 config.bat 完成编译 并用java命令启动程序，命令格式： java -classpath bin Performer [tc\tai75a.dat] 若不输入文件名，缺省使用tc\tai75a.dat

Python语言实现的遗传算法解决TSP问题。

使用遗传算法解决多变量函数优化问题,其中有20个变量

使用 ACO 的 TSP 说明 - 对于 ACO ，因为它是一个更小更简单的代码，我只为并行版本和 CUDA 版本分别使用了 1 个文件。我正在使用一个开源 map_generator（用 ruby​​ 编码），它将城市数量作为参数并构建一个 map.txt，其中包含一个带有所述 N 个城市的随机城市地图。运行地图生成器的命令：ruby map_generator.rb Num_of_cities -我已经编译并保存了 3 个不同的地图变体，以方便评分者检查我的代码。map25.txt 、 map50.txt 和 map100.txt 分别包含 25,50,100 个城市的地图。 - 运行代码的顺序和并行版本。只需执行“make”并运行顺序版本，例如运行 25 个城市 -> ./tsp-ant-cpu < map25.txt 并运行并行版本，例如使用 25 个城市 -> ./tsp- ant-gpu < map25.txt 这确保并行和顺序版本的输入数据相同 更多详情、使用方法，请下载后阅读README.md文件

GA算法(1).ppt.ppt

基于遗传算法的PID参数整定研究 基于遗传算法的PID参数整定研究（七-九）是基于精确的传递函数进行优化，其本质是将优化对象简化为一阶或者二阶的传递函数，在.m程序上进行编写其零极点模型，从而应用遗传算法对其进行参数整定。 然而，实际情况是大多数的被控对象往往其传递函数难以获得，无法运用经典控制理论进行合理化的模型建立。比如针对含有SVPWM的双闭环矢量控制系统，含离散元器件的系统，以及非线性的单元等等。因此，有必要建立一种直接联合Simulink仿真模型的在线参数整定。 ———————————————— 资源介绍的链接：https://blog.csdn.net/qq_42249050/article/details/106117671

GA 算法 参数整定与对比 包括了NSGA-2、GA等算法的整定对比结果，被控对象是一阶时滞系统。

轮盘赌的MATLAB程序，可以用在GA算法中实现基因的选择。

三相逆变器双闭环控制，电压外环，电流内环。搭建了双闭环控制仿真模型。另外基于遗传算法优化PI参数，达到较好的控制效果