特征选择的二元差分进化 介绍 此工具箱提供二元差分进化 (BDE) 方法 该Main文件说明了 BDE 如何使用基准数据集解决特征选择问题的示例。 输入 feat ：特征向量（实例x特征） label ：标签向量（实例x 1） N : 解决方案的数量 max_Iter: 最大迭代次数 CR : 交叉率 更多详情、使用方法，请下载后阅读README.md文件

该实现利用差分进化来分析三维空间中的通用机器人系统，其链接由Denavit-Hartenberg 参数描述。优化（适应度函数）考虑了从操纵器（最后一个链接的末端）到空间中目标点的欧几里得距离。 该实现足够通用，可以针对系统的任何功能进行优化。出于演示目的，唯一的可变参数是 θ。 下面给出了一个具有四个链接的机器人系统的示例。 https://github.com/gabrieljablonski/inverse-kinematics-differential-evolution/blob/master/resources/robotic_system.png 更多详情、使用方法，请下载后阅读README.md文件

Ruby 中的差分进化 (DE) 算法

该测试集基于CEC2017的单目标测试集的pdf编写测试函数，其中经过多种方式的测试，满足原文档的条件，以及各种数据的提供完成，直接调用cec17_func.cpp文件即可调用每一个函数的测试。

通过遗传算法 求解背包问题 python编写 含完整注释 绘制每一轮进化的最佳值和平均值

效果展示： https://user-images.githubusercontent.com/34769156/46087938-fd2ced00-c1c8-11e8-85fe-292bb6108554.gif 用法 要执行，请转到应用程序文件夹并运行 GA2.exe。该应用程序具有易于使用的 gui。

2018年小程序生态进化报告.pdf

算法 (μ/ρ(+/,)λ)-SA-ES (ES) (μ/μ I ,λ)-CMA-ES (CMAES) 遗传算法（GA） 多目标：NSGA-II (NSGA2) 微分进化（DE） 遗传编程（TreeGP）

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

MIT Press于2006年出版的进化计算新书，大力推荐！