基于自然数编码的模式理论研究

在分析基于二进制编码的遗传算法基础上,对基于自然数编码的遗传算法作了初步的探讨。论文定义了基于自然数编码的模式和模式的阶,并推导出了相应的模式理论,从而得出了该理论与基于二进制编码的模式理论相类似的结论,对于解释基于自然数编码的遗传算法的收敛性具有一定的意义。     

基于爬山法和遗传算法的联合搜索算法

遗传算法受到局部极小值的吸引,通过改变计算参数、算法结构和运算规模依然不能保证每次都收敛到全局最优点,本文对遗传算法每次的结果加以比较,消除次优值,保留最优值,用这种爬山算法和遗传算法相结合,可以保证算法的收敛性。仿真结果证明了上述结论。     

基于遗传算法收敛特性的停机准则

关于遗传算法及改进遗传算法收敛问题的研究表明,理论上分析各类不同结构遗传算法的收敛性是可行的.对已被证明收敛的遗传算法,在计算过程中最突出的问题便是如何判断当前计算结果已经到达最优解从而停止迭代.文中从遗传算法收敛特点及不同种群中最优个体适应值的一致性、种群的多样性出发,提出判断算法自动停止迭代的依据.     

一种模糊自适应遗传算法

为克服标准遗传算法的早熟现象,提高算法的全局收敛性和收敛速度,采用并行遗传算法的思想,将整个种群分为几个子种群,分别用不同的遗传算子进行遗传操作;并根据它们各自对进化的贡献,利用模糊推理的方法,对其所作用的子种群的规模作出调整．对函数优化的仿真结果表明,该算法能较好地克服早熟现象,取得较为满意的优化效果．     

新的小生境遗传算法在作业车间调度中的应用

普通适应值共享的小生境遗传算法是基于群体内个体适应度的共享,但这种小生境划分一般基于个体适应度、基因空间距离等属性,忽视了群体基因特征之间的关系.因此将生物学中的群体间共享机制引入到小生境遗传算法中,有效地利用了群体中的优良因素,并且利用了精英选择机制,增强了算法的全局和局部搜索能力,实验表明,普通适应值共享的小生境遗传算法在搜索能力和收敛性能上更有效.     

新的小生境遗传算法在作业车间调度中的应用

普通适应值共享的小生境遗传算法是基于群体内个体适应度的共享,但这种小生境划分一般基于个体适应度、基因空间距离等属性,忽视了群体基因特征之间的关系．因此将生物学中的群体间共享机制引入到小生境遗传算法中,有效地利用了群体中的优良因素,并且利用了精英选择机制,增强了算法的全局和局部搜索能力,实验表明,普通适应值共享的小生境遗传算法在搜索能力和收敛性能上更有效．     

资源受限项目调度中基于邻域搜索的混合遗传算法

分析了资源受限项目调度问题,针对其具有NP-hard的特点,提出了一种基于邻域搜索的混合遗传算法,将启发式算法与遗传算法相结合,用邻域搜索的思想进行变异操作.结果表明,该算法不仅保证了算法的全局收敛性、而且提高了算法的收敛速度和解的稳定性.     

车间作业调度中基于领域搜索的混合遗传算法

车间作业调度问题是一个 NP完全问题,很难用一般的方法解决.遗传算法(GA)作为全局搜索算法广泛应用于各种寻优操作中,并己成为求解车间作业调度问题(JSP)的主要方法.本文针对遗传算法应用的局限性,把领域搜索的思想应用到变异操作中,提出了一种应用于车间调度中基于领域搜索的混合遗传算法,该算法不仅保证了算法的全局收敛性、而且提高了算法的收敛速度和稳定性.     

一种改进的遗传算法及其在作业车间调度的应用

基于遗传算法容易产生早熟的现象,提出了一个概念清楚、运算量小的评价种群过早收敛程度的指标 ,并利用该指标提出了一种新的调整策略.仿真实例表明 ,该方法能及时反映种群在进化过程中的过早收敛程度 ,不仅能加快计算速度 ,而且还能增强算法的全局收敛性.     

混合遗传算法在结构优化设计中的应用

基于邻域搜索的自适应遗传算法和标准遗传算法的一种离散变量结构优化设计的混合遗传算法,既能发挥邻域自适应算法省时、高效、成熟收敛的特点,又能发挥遗传算法全局最优的特点.优化设计结果表明:改进后的混合遗传算法的收敛性得到了很好的改善,使个体既能沿着当前种群优势方向前进,又能跳出局部最优,寻求全局最优.     

一种新的伪并行遗传算法在车间调度中的应用研究

提出了一种改进的伪并行遗传算法(Improved Pseudo-Parallel Genetic A lgorithm,简称IPPGA),将改进遗传算法与SGA伪并行操作(采用并行思想,在同一台机器上完成操作),保证了种群多样性,防止局部早熟收敛;改进算法对部分遗传算子做了改进,采用迭代交叉,多父代产生多子代,让多个染色体中优秀基因段组合产生子代,大大加快收敛速度;设定一个最优个体保存序列库,防止最优解的丢失.采用实际算例进行仿真试验,数据表明改进的伪并行遗传算法(IPPGA)较标准遗传算法(SGA)快速、有效.     

多智能体遗传算法优化神经网络权值研究

采用多智能体遗传算法来优化神经网络权值,经过神经网络自身的训练来进一步提高精度,结果表明,本算法能以较快的收敛速度获得较高的训练精度。     

优化设计求解的遗传-神经网络新算法研究

提出并研究了一种优化设计求解的遗传神经网络新算法,该算法综合了遗传算法的全局性和神经网络的并行快速性等特点,可克服遗传算法最终进化至最优解较慢和神经网络易陷入局部解的缺陷,具有较好的全局性和收敛速度     

基于遗传BP神经网络的城市物流需求量预测

结合遗传算法与BP神经网络算法预测城市物流需求量,通过算例对比证明了遗传BP神经网络算法在预测的精度与收敛速度上均优于单一算法.基于物流业的广泛性提出采用3种物流需求量作为网络的输出指标,提高了物流需求量预测的广度与可信度,并提出了一种连续预测未来数年物流需求量的方法以便于运用于实际决策之中.     

神经网络结合遗传算法用于航迹预测

研究利用遗传算法对BP神经网络进行优化设计,建立了基于遗传算法的BP神经网络机动目标航迹预测模型。该模型克服了普通神经网络算法在训练过程中容易陷入局部最优点的缺陷,得到了更高的学习精度和更快的收敛速度。最后,用实测数据进行了验证分析,结果表明,基于遗传算法的神经网络的预测模型比单神经网络预测模型预测精度高,可用于航迹的预测。     

三维布局计算方法的研究

布局问题是一个组合最优化问题,众多学者对此进行了深入的研究,并提出了许多算法,算法的选择直接影响布局问题的计算速度和求解精度。本文具体分析了基于规则的启发式算法;传统最优化算法;遗传算法;模拟退火算法;改进模式搜索算法;混合算法的使用场合。     

均匀设计和遗传操作并行的遗传算法

针对简单的遗传算法稳定性较差，容易发生早熟收敛的不足之处，提出了将均匀设计和遗传操作相结合的遗传算法，通过编码在问题的解空间和算法的搜索空间之间建立一个映射，对其进行交叉操作，变异操作和均匀设计操作，用典型的测试函数进行测试，证明了该算法是可行的，与单纯遗传算法相比，计算精度和收敛速度更高。     

用遗传算法解迷宫问题

利用遗传算法的思想,对传统的二维迷宫问题,设计编码、适应值函数、遗传操作,并在演化过程中对基因进行“改良”,提高搜索的效率,解决了二维迷宫问题,同时还可以求得走出迷宫的最短路.     

遗传算法在图像分割中的应用

图像分割是图像分析的预处理阶段,被认为是计算机视觉中的一个瓶颈.基于扩展的Otsu最优阈值图像分割方法,提出用一种改进遗传算法进行图像分割的方法,并给出了遗传算法中参数的设定.仿真结果表明,改进算法的计算速度不仅明显优于传统的Otsu方法,而且算法的分割效果也很好.