变邻域搜索算法matlab代码CODO 在过去的几十年中，进行了大量研究以提出许多自然启发的优化技术。 SitoLIB是一个基于人的意见形成的优化器的开源库。 它包括基于社会影响理论的优化器（SITO）和涂尔干的基于社会融合理论的优化器（CODO）。 目的是开发一个易于理解的通用软件库，该库可以合并到特定于应用程序的系统中。 库的当前版本包括优化程序的二进制版本和连续（实值）版本。 我们的二进制实现基于[Latane，1981]给出的社会影响理论和[Macas，2008]给出的优化程序的伪代码。 称为持续意见动态优化器（CODO）的连续实施基于涂尔干的社会整合理论[Durkheim，1997]和[Rishemjit，2013]给出的优化器伪代码。 到目前为止，库中实现了CODO的一种变体和SITO的以下不同变体，以最大程度地减少异议功能： OSITO（原始SITO算法）， SSITOsum（带有SUM规则的简化SITO）， SSITOmean具有MEAN规则的简化SITO）和 GSITO（加拉姆风格的SITO）。 这些变体已在不同的应用程序中有效使用，例如使用UCI机器学习存储库数据集

变邻域搜索算法matlab代码

具有邻域搜索的多样性增强粒子群优化

堆场出口箱区通常通过集装箱的预倒箱操作来提高后续装船作业的效率. 为此, 开发了由邻域搜索算法与整数规划算法组成的两阶段混合算法对预倒箱问题进行优化, 第1 阶段通过启发式规则压缩末终堆存状态空间, 第2 阶段通过整数规划算法缩短第1 阶段得到的预倒箱序列的长度. 两个阶段循环交替进行以快速求得最优的预倒箱序列. 借助不同种类仿真算例的实验结果及与现有研究方法下所得结果的对比, 验证了混合优化算法的有效性和实用性.

多车场带时间窗车辆路径问题的变邻域搜索算法.pdf

基于粒子群优化和变邻域搜索的混合调度算法.pdf

针对人工蜂群算法存在易陷入局部最优、收敛速度慢的缺陷,提出一种改进邻域搜索策略的人工蜂群算法.首先,将混沌思想和反向学习方法引入初始种群,设计混沌反向解初始化策略,以增大种群多样性,增强跳出局部最优的能力;然后,在跟随蜂阶段根据更新前个体最优位置引入量子行为模拟人工蜂群获取最优解,通过交叉率设计更新前个体最优位置,并利用势阱模型的控制参数提高平衡探索与开发的能力,对观察蜂邻域搜索策略进行改进,以提高算法的收敛速度和精度;最后,将改进人工蜂群算法与粒子群算法、蚁群算法以及其他改进人工蜂群算法进行比较,利用12个标准测试函数进行仿真分析.结果表明,改进算法不仅提高了收敛速度和精度,而且在高维函数优化方面具有一定的优势.

变邻域搜索求解0-1背包问题（C++代码），很好的学习资源，适合用来学习启发式算法

详细阐述变邻域搜索算法的文章，很有用处，很详细

可变邻域搜索算法（VNS）是一种优化算法，它基于邻域的系统变化，同时在下降和扰动阶段搜索给定问题的最优解。 可变邻域搜索算法（VNS）算法是一种基于元启发式算法的全局优化技术。 它探讨了邻域变化的概念，既可以使最佳化趋势下降，也可以避开包含这些变化的山谷。