水黾算法是2020年最新提出的启发式群体智能优化算法

DA算法的主要灵感来源于自然界中蜻蜓的静态和动态集群行为。 优化、探索和开发的两个基本阶段是通过模拟蜻蜓在导航、寻找食物和避开敌人时动态或统计地聚集时的社交互动而设计的。 这是论文的源代码： Seyedali Mirjalili，“蜻蜓算法：解决单目标、离散和多目标问题的新元启发式优化技术”，神经计算与应用，印刷中，2015 年，DOI： http : //dx.doi.org /10.1007/s00521-015-1920-1 链接： http : //link.springer.com/article/10.1007/s00521-015-1920-1 如果您无法访问该论文，请给我发送电子邮件至 ali.mirjalili@gmail.com，我会将论文发送给您。 更多信息请见： http : //www.alimirjalili.com/DA.html 该算法的 Mat

代码里默认可行解个数SN为20，蜜源没有改进的最大次数limit为20，解向量的维数Dimension是2，通过输入迭代次数10000，便可得到函数的极小值。

群体智能优化算法(python)代码

人工智能-机器学习-改进群体智能算法及其在背包问题中的应用.pdf

群体智能典型算法研究综述

原作者是(南非)恩格尔伯里特(Andrice P.Engelbrecht），由谭营翻译，包含优化理论，进化计算，粒子群优化和蚂蚁算法四个部分

这是关于教与学优化算法的材料，特别适合初学者，可以帮助你们快速学习群体智能算法

通过定义反转算子, 对人工狼位置和智能行为重新进行整数编码设计, 并结合概率近邻初始化方法, 提出一种求解旅行商问题的离散狼群算法. 该算法保留了狼群算法基于职责分工的协作式搜索特性, 并较好地平衡了算法的广度开拓和深度开采能力. 采用C-TSP 问题和TSPLIB 数据库中的多组TSP 问题作为实验用算例, 并将所提出算法与其他5 种智能优化算法进行对比, 仿真结果表明, 所提出算法在求解准确率、稳定性和所需迭代次数等方面具有相对优势.

计算群体智能基础,介绍智能优化算法基础以及遗传算法、粒子群算法等常见优化算法。