遗传算法(GA)优化极限梯度提升树XGBoost回归预测，GA-XGBoost回归预测模型,多变输入模型。 评价指标包括:R2、MAE、MSE、RMSE和MAPE等，代码质量极高，方便学习和替换数据。

遗传算法课件很容易上手！包括GA的基本思想，流程图.......

> 本文主要研究【单线路，固定容量，确定OD和下车比率】，以优化乘客等待数为目标，建立的单目标优化模型，通过优化列车时刻表，结合客流控制手段，城市轨道交通拥挤，减少站台拥堵。 > 算法选用的遗传算法 > 编码为实数+结构体编码 > 根据模型需求，设计了针对性的交叉和变异手段 > 本模型使用了常规的遗传算法（GA），当然您如果想要用其他算法也是可以的，我已经根据模型，写好了**初始化算子，交叉算子，变异算子，修复算子和计算目标函数的算子**。你把算法框架替换，这些算子可以继续沿用，基本上可以改成任意的算法。 > 同样的，本文代码的数据接口和参数设置也是支持修改的，**只要按照指定的格式将客流量数据和下车比例数据写到excel中**，即可实现算例的更改。 > 总而言之，本文代码适合①想要学习遗传算法的朋友，结合案例，深入理解遗传算法的思想精髓，同时学会如何结合实际问题修改算子。②交通专业的朋友，做相关项目的时候，可以直接借鉴源码，也可以按照我上面所说，对算法框架，算子和数据进行任意修改和拓展，从而达到实现自己模型需求的目的。

遗传算法GA优化xgboost模型，python书写，代码用第三方数据集

遗传算法GA优化支持向量机回归算法SVR，python写，自带数据集

基于遗传算法（GA）计算卸载策略的求解matlab代码

一个非常好的理解遗传算法的案例，让你轻轻松松学会GA遗传算法

TSP问题的遗传算法（GA）、动态规划（DP）和蚁群算法（PSO）的python实现（含报告） 包含遗传算法的word报告，代码都可以跑通，安装必须依赖即可。 本实验课程是计算机、智能、物联网等专业学生的一门专业课程，通过实验，帮助学生更好地掌握人工智能相关概念、技术、原理、应用等；通过实验提高学生编写实验报告、总结实验结果的能力； 使用蚁群优化算法或者粒群优化算法求解TSP问题。

挺好的学习资料，注释也很明白。 代码截选： ”%遗传算法求解TSP问题(为选择操作从新设计后程序) %输入： %D 距离矩阵 %NIND 为种群个数 %X 参数是中国34个城市的坐标(初始给定) %MAXGEN 为停止代数，遗传到第MAXGEN代时程序停止,MAXGEN的具体取值视问题的规模和耗费的时间而定 %m 为适值淘汰加速指数,最好取为1,2,3,4,不宜太大 %Pc 交叉概率 %Pm 变异概率 %输出： %R 为最短路径 %Rlength 为路径长度 clear clc close all %% 加载数据 load Cityposition1.mat; X=X; D=Distanse(X); %生成距离矩阵 N=size(D,1); %城市个数 %% 遗传参数 NIND=100; %种群大小 MAXGEN=200; %最大遗传代数 Pc=0.9; %交叉概率 Pm=0.05; %变异概率 GGAP=0.9; %代沟 %% 初始化种群 Chrom=InitPop(NIND,N); %% 画出随机解的路径图 DrawPath(Chrom(1,:),X) pause(0.0001) %% 输出随机解的路径和总距离”

谢菲尔德大学的MATLAB遗传算法工具箱，所有文件名改为小写了，亲测可用