对传统的GA结构加以改进，利用一种改良的OX交叉算子加快算法的收敛速度，利用变换变异算子维持群体的多样性防止算法早熟收敛，访真试验结果验证了算法的有效性

GA-F2A55M-DS2(rev.1.0)BIOS版本F7c，F5版本有时出现自检，DOS下测无USB键盘，U盘等，升级此BIOS解决

利用GDAL、OPENCV，GA对遥感图像三波段组合进行检索，找到最有的组合。

GameAssassin共享版GA的官网又挂了。

多旅行商matlab实验源码实现了三种多旅行商问题%MTSPOF_GAFixedOpenMultipleTravelingSalesmenProblem(M-TSP)GeneticAlgorithm(GA)%Findsa(near)optimalsolutiontoavariationofthe"open"M-TSPby%settingupaGAtosearchfortheshortestroute(leastdistanceneeded%foreachsalesmantotravelfromthestartlocationtounique%individualcitiesandfinallytotheendlocation)%%Summary:%1.Eachsalesmanstartsatthefirstpoint,andendsatthelast%point,buttravelstoauniquesetofcitiesinbetween(noneof%themclosetheirloopsbyreturningtotheirstartingpoints)%2.Exceptforthefirstandlast,eachcityisvisitedbyexactlyonesalesman%%Note:TheFixedStartistakentobethefirstXYpointandtheFixedEnd%istakentobethelastXYpoint%%Input:%XY(float)isanNx2matrixofcitylocations,whereNisthenumberofcities%DMAT(float)isanNxNmatrixofcity-to-citydistancesorcosts%SALESMEN(scalarinteger)isthenumberofsalesmentovisitthecities%MIN_TOUR(scalarinteger)istheminimumtourlengthforanyofthe%salesmen,NOTincludingthestartpointorendpoint%POP_SIZE(scalarinteger)isthesizeofthepopulation(shouldbedivisibleby8)%NUM_ITER(scalarinteger)isthenumberofdesirediterationsforthealgorithmtorun%SHOW_PROG(scalarlogical)showstheGAprogressiftrue%SHOW_RES(scalarlogical)showstheGAresultsiftrue%%Output:%OPT_RTE(integerarray)isthebestroutefoundbythealgorithm%OPT_BRK(integerarray)isthelistofroutebreakpoints(thesespecifytheindices%intotherouteusedtoobtaintheindividualsalesmanroutes)%MIN_DIST(scalarfloat)isthetotaldistancetraveledbythesalesmen%%Route/BreakpointDetails:%Ifthereare10citiesand3salesmen,apossibleroute/break%combinationmightbe:rte=[56942837],brks=[37]%

遗传算法（GeneticAlgorithm）是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型，是一种通过模拟自然进化过程搜索最优解的方法，它最初由美国Michigan大学J.Holland教授于1975年首先提出来的，并出版了颇有影响的专著《AdaptationinNaturalandArtificialSystems》，GA这个名称才逐渐为人所知，J.Holland教授所提出的GA通常为简单遗传算法（SGA）。
　　遗传算法是从代表问题可能潜在的解集的一个种群（population）开始的，而一个种群则由经过基因（gene）编码的一定数目的个体(individual)组成。
每个个体实际上是染色体(chromosome)带有特征的实体。
染色体作为遗传物质的主要载体，即多个基因的集合，其内部表现（即基因型）是某种基因组合，它决定了个体的形状的外部表现，如黑头发的特征是由染色体中控制这一特征的某种基因组合决定的。
因此，在一开始需要实现从表现型到基因型的映射即编码工作。
由于仿照基因编码的工作很复杂，我们往往进行简化，如二进制编码，初代种群产生之后，按照适者生存和优胜劣汰的原理，逐代（generation）演化产生出越来越好的近似解，在每一代，根据问题域中个体的适应度（fitness）大小选择（selection）个体，并借助于自然遗传学的遗传算子（geneticoperators）进行组合交叉（crossover）和变异（mutation），产生出代表新的解集的种群。
这个过程将导致种群像自然进化一样的后生代种群比前代更加适应于环境，末代种群中的最优个体经过解码（decoding），可以作为问题近似最优解。

可以运行的GA算法，matlab编写，资源优化，可以运行的GA算法，matlab编写，资源优化，

PSO-GA-RBF神经网络。
。

NXP官方v2016.03_4.1.15_2.0.0版本U-Boot源码

使用注意：1.WebLogic反弹需要等5秒左右2.该工具为对外测试版，请尽量按照正常思路来用，比如Url填写清楚，IP地址写对了，报错或者抛异常神马的别怪我，调输入校验好蛋疼。
本工具与网上已公布工具优点：1.综合实现网上公布的代码执行、反弹2.jboss利用里添加一键getshell功能，利用的是jboss的热部署功能，直接部署一个war包，一键返回一个菜刀shell3.反弹shell部分更完美，不再加载远程war包，直接发包完成反弹。
4.jboss回显执行命令部分利用异常抛出机制，本地（4.2.3.GA）测试成功，其他版本请自测5.体积更小，不再依赖java环境，但程序采用.net编写，需要.net4.0环境待完成：weblogic回显结果测试中，稍后加入

在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。 每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。 另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。 为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。