通过蚁群和遗传进化的旅行时间优化 在这个项目中，我解决了出租车的旅行时间优化问题。 可以将其称为“旅行推销员问题” ，这是众所周知的计算机科学问题。 目的是找到访问一组位置的最短路径。 对于此问题，需要优化技术来智能地搜索解空间并找到接近最优的解。 更具体地说，我首先使用XGBoost模型来预测每对上落地点之间的旅行时间。 然后，我使用了进化算法，即蚁群和遗传算法，为数据中的车辆找到了最佳的旅行路线。 可以在以下链接找到有关Medium的随附博客文章： 数据集 数据是已经下载到上的数据。 我有2016年黄色出租车，绿色出租车和出租汽车的月度数据。 该数据集具有11个属性的近150万个行程记录

如今的商业世界正在进入一个超越传统组织边界、岗位职责边界、技术范围的空间。所有人力资源管理者，都正在和将要经历一场与数字化新世界相互协调统一的过程。这可能意味着，过去的人才战略规划、组织架构、岗位设计、招聘、绩效管理、领导力和文化，将会面临一种进化。比如员工和组织的关系，雇佣模式多样性特征呈现。组织逐渐演变成由全职雇员与自由工作者组成的混合体，工作也将由全职员工、自由工作者、外包服务机构、人力资源平台、人工智能等协同完成。 雇佣模式变化的同时，企业仍需要更多具有创新精神的员工，而拥有创造力的员工有时需要有更多“空白”的时间。正如一个事物变化的同时，那些先进的组织正不断地进化，一些人力资源管理者角色和职责已经在发生变化。他们需要为包括自己在内的员工进行更多地“留白”，利用数字化工具从繁琐的劳动中被解救出来，以便发挥更大的创造性，并尽量减少人为决策中的各种可能是无意识的偏见；他们需要利用机器的同时，更要完善地监督和管理它；他们更需要与工具一同，预见未来可能存在的各种风 险，创造性地为企业内所有员工获得更优良的体验感和幸福感，以便发挥员工更大价值而努力。

差分进化算法由 Storn 和 Price 于 1995 年首次提出，是一种基于群体的高效启发式全局优化搜索算法，主要用于求解实数优化问题。差分进化算法属于进化算法，在神经网络参数优化等方面有着重要应用。

EPSDE的代码；附2014和2017数据集。 EPSDE一种参数集合和变异策略的差分进化算法(Differential evolution algorithm with ensemble of parameters and mutation strategies),2011年Mallipeddi等提出基于参数集成和变异策略的差分进化算法（EPSDE）;在EPSDE中，不同的突变策略池与每个控制参数的值池在整个进化过程中共存，并竞争产生后代。 [1]MALLIPEDDI R, SUGANTHAN P N, PAN Q K, et al. Differential evolution algorithm with ensemble of parameters and mutation strategies [J]. Applied Soft Computing, 2011, 11(2): 1679-96.

为了改善差分进化粒子群算法的局部搜索能力和收敛速度，提出了一种混沌差分进化的粒子群优化算法。该算法利用信息交换机制将两组种群分别用差分进化算法和粒子群算法进行协同进化，并且将混沌变异操作引入其中，加强算法的局部搜索能力。通过对三个标准函数进行测试，仿真结果表明该算法与DEPSO算法相比，全局搜索能力、抗早熟收敛性能及收敛速度大大提高。

【优化预测】差分进化算法优化BP神经网络预测【含Matlab源码 1315期】.zip

matlab高功率微波代码智能系统 概述 NTOU-NCE 硕士课程。 三个项目使用了三种不同的智能系统理论，包括模糊理论、进化算法和反向传播神经网络。 这些项目不是靠Matlab工具箱完成的，而是靠我自己的编程能力。 思维导图 课程内容 模糊理论 进化算法 反向传播神经网络 (BPNN) 混合系统 项目01：模糊理论 目标 ： 微波炉的完全模糊控制。 这个微波炉有一些有趣的功能。 安装在此微波炉上的传感器可以检测温度和重量。 利用模糊理论，自动计算，得出适中的功率和运行时间，并根据计算结果对食物进行加热。 这些功能可以减少我们用它来加热食物的时间。 我们只需按一下按钮，食物就会被正确加热。 根据模糊规则和隶属函数，使用COG去模糊，并根据去模糊，绘制两个图表。 模糊规则： R^1：如果温度低而重量重。 然后操作时间长且功率高。 R^2：如果温度低，重量中等。 然后运行时间中等，功率高。 R^3：如果温度低，重量轻。 然后操作时间短且功率高。 R^4：如果温度中等，重量较重。 然后运行时间长，功率中等。 R^5：如果温度中等，重量中等。 然后运行时间中等，功率中等。 R^6：如果温度中

差分进化算法是最近兴起的一类启发式算法，其高效的进化策略与规则为生产、调度等问题提供确实可行的方案。

大数据统计分析平台架构故事 数据库架构变迁 数据库技术进化

matlab +人口增长代码囚徒困境作为癌症模型 作者：Jeffrey West，日期：2016年2月29日 刊物 此代码或在此框架之上开发的代码已在以下出版物中使用： 如何使用： 编写此代码是为了在MatLab中使用，main.m是可执行文件，buildA.m，buildQ.m，checkMutation.m，choiceBirthType.m，chooseDeathType.m是main.m可执行文件使用的函数。 参数 该代码运行进化动力学仿真，这是一个恒定的种群过程（N =竞争的细胞数=恒定）。 选择压力w在0（无选择，等同于Moran过程）和1（完全选择压力：囚徒困境的最大影响）之间变化。 这个简单的模型包含两个表型（健康，癌症），总共由2 ^ b个遗传类型组成，其中b是每个细胞“数字基因组”的位长。 例如，对于b = 4，有16种遗传类型可以分为11种健康和5种癌症类型。 该代码运行一次随机模拟并绘制结果。