在这个CUG智能优化课设中，学生通过Python编程语言实现了著名的多目标优化算法NSGA-Ⅱ（非支配排序遗传算法第二代），以此来解决CEC-2021（国际计算智能挑战赛）中的复杂优化问题。NSGA-Ⅱ是一种在遗传算法基础上发展起来的高效优化工具，尤其适用于解决多目标优化问题，这些问题通常涉及到多个相互冲突的目标函数，需要找到一组最优解，而非单一的全局最优解。 **NSGA-Ⅱ算法详解** NSGA-Ⅱ的核心思想是基于非支配排序和拥挤距离的概念来寻找帕累托前沿，这是多目标优化问题中的理想解集。算法通过随机生成初始种群，然后进行以下步骤： 1. **选择操作**：NSGA-Ⅱ采用“锦标赛选择”策略，通过比较个体间的适应度值来决定保留哪些个体。适应度值是根据个体在所有目标函数上的表现计算得出的。 2. **交叉操作**：通过“均匀交叉”或“部分匹配交叉”等策略，将两个父代个体的部分基因片段交换，生成新的子代。 3. **变异操作**：应用“位翻转变异”或“区间变异”等方法，对个体的某些基因进行随机改变，增加种群多样性。 4. **非支配排序**：对所有个体进行两两比较，根据是否被其他个体支配，分为不同层级的 fronts。第一层front的个体是最优的，后面的front依次次优。 5. **拥挤距离计算**：在相同层级的front中，为了保持种群多样性，引入拥挤距离指标，衡量个体在目标空间中的分布情况。 6. **精英保留策略**：确保最优解能够传递到下一代，避免优良解的丢失。 7. **新一代种群构建**：结合非支配排序结果和拥挤距离，采用快速解拥挤策略选择最优子代进入下一代种群。 8. **迭代与终止条件**：重复上述步骤，直到达到预设的迭代次数或满足其他停止条件。 **CEC-2021竞赛介绍** CEC（Competition on Evolutionary Computation）是由国际计算智能学会（IEEE Computational Intelligence Society）组织的年度挑战赛，旨在推动计算智能领域的研究和应用。CEC-2021可能包含多个复杂优化问题，如多目标优化、单目标优化、动态优化等，这些问题通常具有高维度、非线性、多模态和不连续的特性。参赛者需要设计和实现优化算法，对这些问题进行求解，评估算法的性能和效率。 通过这个课设，学生不仅能够深入理解NSGA-Ⅱ算法的原理和实现细节，还能通过实际问题的解决，提高解决复杂优化问题的能力。同时，这也为他们提供了参与高水平竞赛的机会，进一步提升其在计算智能领域的研究水平。

STM32F10x_CEC_Lib_V2.0.0是一个专为STM32F1 Consumer Electronics Control (CEC) 功能设计的库，适用于STM32微控制器系列，特别是STM32F10x系列。CEC是高清多媒体接口（HDMI）的一部分，用于在连接的设备之间实现低功耗、低成本的通信。这个库提供了在STM32F10x微控制器上实现CEC功能所需的驱动和示例代码。 CEC是基于I2C协议的简化版本，用于控制和协调多个通过HDMI连接的设备，如电视、蓝光播放器、游戏机等。它允许设备间共享控制信息，如电源状态、设备发现、命令传递等。STM32F10x_CEC_Lib_V2.0.0库包含了必要的API函数，使开发者能够轻松地集成CEC功能到他们的应用中。 该库的主要组成部分可能包括： 1. **驱动层**：这层包含了与STM32F10x硬件寄存器直接交互的函数，用于初始化CEC引脚、配置时钟和中断，以及发送和接收数据。 2. **协议栈**：协议栈实现了CEC通信协议的细节，包括仲裁、错误检测和重传机制，确保数据的可靠传输。 3. **应用接口**：这些API函数允许用户在应用层调用，例如注册回调函数以处理接收到的CEC消息，或者发送特定的CEC命令。 4. **示例代码**：库可能包含示例项目，演示如何在实际应用中使用这些API，帮助开发者快速理解和上手。 5. **文档**：完整的库应该附带详细的技术文档，解释库的使用方法、API功能以及配置选项，帮助开发者更好地理解并利用这个库。 6. **配置工具**：可能提供图形化配置工具，如STM32 CubeMX，帮助用户生成初始化代码，快速设置CEC的相关参数。 7. **STM32F10x**：STM32F10x系列是意法半导体（STMicroelectronics）推出的基于ARM Cortex-M3内核的微控制器，具有丰富的外设接口，包括USART（通用同步/异步收发传输器），可以支持CEC功能。 STM32 CEC库的V2.0.0版本可能包含了一些改进和修复，比如性能优化、兼容性增强或新的特性。开发人员在使用时应详细阅读更新日志，了解新版本的具体变化。 STM32F10x_CEC_Lib_V2.0.0为STM32F10x系列微控制器的CEC功能提供了全面的支持，使得开发基于HDMI CEC的应用变得更加简单和高效。通过这个库，开发者可以构建出能够与其他HDMI设备通信的智能系统，实现更丰富的用户体验。

介绍 这是Python封装，其中使用了2005年IEEE进化计算大会大型全局优化特别会议的测试套件的C ++实现。 笔记 如果要使用此代码的任何部分，请引用以下出版物： Suganthan，N。Hansen，JJ Liang，K。Deb，Y.-P. Chen，A。Auger和S. Tiwari，“ CEC 2005实参优化特别会议的问题定义和评估标准”，技术报告，新加坡南洋理工大学，2005年5月，以及KanGAL报告＃2005005，印度IIT坎普尔。 要求 GNU Make GNU G ++ Python 赛顿 测试环境 Debian GNU / Linux杰西/ sid GNU Make 3.81 g ++（Debian 4.7.3-4）4.7.3 Python 2.7和Python 3.2 numpy的1.8.1 cython 0.20.1 Travis-CI

Matlab Hill代码ieee_cec_2014_nmmso 2014年IEEE进化计算大会代码库，其中包含Niching Migratory Multi-Swarm Optimizer和文献中的其他两个多模态优化器 所提供的实现方式与Jonathan E. Fieldsend发表在IEEE进化计算会议论文集，第2593-2600页，2014年的“奔跑的山丘：利用适当的迁移多群优化器进行多模态搜索”中使用的实现方式相同。 机构存储库： 依赖性：您将需要Ian Nabney的Netlab toobox（因为NMMSO使用其dist2函数来计算矩阵之间的平方距离）。 这可以从 请在Matlab的命令行中使用“帮助function_name”来获取函数用法的说明-请注意，“ _ iterative”版本将算法运行一代（并且可以将上一代终端的状态作为输入）。 这允许逐步进行用于行为分析的算法。 非迭代版本本质上包装了迭代版本。 我已经输入了代码注释，子程序（希望如此！）在命名上并不是太不透明。 任何查询，错误修复等，请给我发电子邮件。

中华学习机（CEC-I）的资料，这本书比较好用，是文字版的，有目录。

CEC2014 benchmark function in matlab

本项目是基于上海大学语义智能实验室刘宗田教授、刘炜研究员及各硕士博士研究生所共同构建的中文突发事件语料库CEC-（Chinese Emergency Corpus），针对已标注的语料库中，采用LTP进行分词、词性标注、命名实体识别与依存句法分析等；对事件的要素进行规则挖掘，包括词性规则、命名实体规则、依存关系规则等。进而实现对突发事件类新闻报道的生语料进行自动化标注，添加对应的标签，并进行格式校验，存储为XML文件等。 开发环境(测试环境为Windows，不保证支持Unix/Linux环境) Licence：Apache Licence Version2 Version：1.0.0 项目编码设定：UTF-8 开发工具：Eclipse 4.4 luna 操作系统OS：Windows7 64bit JDK version：Oracle JDK 1.8+ 64bit 日志：log4j2.0 单元

最新的进化算法的测试函数，可运行，供30个函数，以及包括一个标准pso代码

This software package is in connection with 2013 IEEE Congress on Evolutionary Computation

CEC2011竞赛的官方代码