进化计算

IEEE进化计算大会2019年的MATLAB代码单目标竞赛，提供了全面的测试套件，用于评估和比较不同算法的性能。

进化算法（EAs）是通过模拟自然进化过程寻找全局最优解的算法。它包括遗传算法（GAs）、粒子群优化（PSO）等具体实现，利用变异、交叉、选择等操作迭代优化目标函数。

该资源包含多种进化算法的Python实现，包括： 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

多目标优化里头，NSGA-II 算法还挺经典的，属于进化算法中的老大哥级别。它是在老版 NSGA 的基础上做了不少优化，比如非支配排序快了不少，速度快，代码也不臃肿。精英策略的引入也让好个体不容易被淘汰，结果更稳，收敛也更快。 精英策略的引入挺关键，防止了“好苗子”在迭代中被随机干掉的尴尬。举个例子，如果你在做路径规划、多目标调度这类事儿，这点能帮你节省不少调参时间。 拥挤度比较这块也蛮有意思。以前的 NSGA 要手动设置共享半径，麻烦还容易出锅。NSGA-II 直接上密度排序，你不用再关心那些参数细节，个体分布也更均匀，结果看起来就舒服多了。 资源是打包好的NSGA-II.zip，里面代码结

本资源包含MOEA-dev-matser.zip全套代码，涵盖NAGAII、NSGAIII、MOEAD-DE、MOEA-DRA、MOEAD-M2M、SPEA2-SDE、GrEA、e-MOEA等多种进化算法，并附带中文注释。提供DTLZ、WFG、ZDT、UF、MOP、MOKP等多套数据集，经过验证可直接运行，生成多种评估指标如IGD值。

这段代码实现了马尔可夫链蒙特卡罗算法，自动有效地将提议分布的协方差结构调整为目标分布。它确保目标分布保持为马尔可夫链的平稳分布。该算法详细描述在Cajo FT Ter Braak的文章中：“遗传算法差分进化的马尔可夫链蒙特卡罗版本：实参数空间的简单贝叶斯计算”（Stat Comput，2006），可在此获取：http://www.stat.columbia.edu/~gelman/stuff_for_blog/cajo.pdf

详细探讨了多目标优化领域的关键内容，涵盖了NSGA2、NSGA3、MOEA等重要方法，介绍它们在解决多目标优化问题中的应用和优势。

运用反向学习模型的最新多目标进化算法，在优化问题领域取得突破性的进展。

基于进化策略，提供了一种自适应版本，优化非线性函数。了解详情，请访问：http://www.scholarpedia.org/article/Evolution_strategies 。

这是一个可运行的Matlab实现的差分进化算法，代码中的注释非常清晰明了。