遗传算法解决了任何类型的约束,包括整数约束的流畅或非光滑优化问题。它是一种随机的基于人口的算法,通过人口成员之间的突变和交叉随机搜索。
优化 | 优化或求解实时编辑器中的方程 |
呈现使用遗传算法解决优化问题的示例。
显示如何编写健身功能,包括额外的参数或矢量化。
展示如何在问题中包含约束。
显示如何选择输入选项和输出参数。
示例显示了多种选项的效果。
展示如何使用各种类型的约束的示例。
此示例显示了初始范围的设置如何导致更好的解决方案。
这最大
选项确定遗传算法所需的最大几代数;请参阅停止算法的条件。
显示人口多样性的重要性,以及如何设置它。
描述健身缩放,以及它如何影响进度GA.
。
显示突变和交叉参数的效果GA.
。
显示使用混合函数来改善解决方案。
描述了混合功能可能提供更高的准确度或速度的情况。
展示如何继续优化GA.
从最终人口。
通过重置随机种子来展示如何重现结果。
提供了运行的示例GA.
使用一组参数来搜索最有效的设置。
如何使用矢量化函数评估获得速度。
显示如何创建和使用自定义绘图功能GA.
。
此示例显示了使用自定义输出功能GA.
。
使用自定义数据类型解决旅行推销员问题。
优化通过解决方案给出的目标Patternsearch.
或者GA.
在串行或平行。
介绍遗传算法。
解释了遗传算法的一些基本术语。
概述了遗传算法如何运作的概述。
解释了增强拉格朗日遗传算法(藻类)和罚款算法。
描述了遗传算法的选项。