理性遗传算法及其在运动规划中的应用

为提高理性遗传算法遗传信忠的完备性、算法全局收敛性以及算法的整体结构，给出了一个更一般化的理性算子和算法结构，证明了算法的全局收敛性．理论分析和在运动规划问题中的应用结果验证了理性遗传算法的有效性．     

基于实数编码的遗传算法的收敛性研究

用基于实数（浮点）编码的遗传算法（FGA）求解连续参数优化问题是遗传算法的重要应用领域,但一直缺少其完整的收敛性结果。分析了在绝大多数实际应用中使用的FGA的收敛性问题,在采用最优个体保留策略的前提下得到了保证收敛性的一般条件,并以之检验了采用常用的变异与交叉算子时FGA的收敛性。这些结论不仅给出了有用的收敛性结果,而且对进一步认识算子的本质,指导自适应变异算子的设计等都提供了帮助。同时所用的方法和结论也适用于进化规划和进化策略的收敛性问题。     

改进遗传算法全局收敛性分析

传统的遗传算法大多数没有给出收敛性准则。一类新的改进的遗传算法被提出,该算法即考虑了优化问题的全局性要求——每一步构造一个新函数,而这往往却比局部最优理论和方法困难得多;同时通过对选择算子的改进,对遗传算法后期进化缓慢问题得到了有效控制,最后给出了算法的收敛性证明以及收敛性准则。实例证明该算法是有效的。     

遗传算法收敛性的动力学分析及其应用

遗传算法的收敛性，特别是交叉算子的作用，一直缺乏深入的理论分析，当系统动力学的方法被应用于遗传算法的运行机理分析时，可以探讨在没有变异算子情况下遗传算法的收敛性问题，从而，明确了局部极值点的含义，指出了局部极值点的存在性和存在条件，证明了遗传算法在局部极值点附近的收敛性，并针对遗传算法的各种改进给出了理论上的依据，提出了遗传算法改进的方向。     

基于改进遗传算法的优化计算

针对经典遗传算法在优化计算中存在的弊端,提出改进遗传算法。该算法考虑了优化问题的全局性要求—结合区间压缩方法,而这往往比局部最优理论和方法困难的多;同时通过对变异算子改进,对遗传算法早熟收敛性方面得到有效控制,最后,给出算法的收敛性证明及收敛性准则。实验表明该算法是有效的。     

一种改进的最优保存遗传算法

在已有的研究工作基础上，给出了一种改进的最优保存遗传算法，研究了算法的全局收敛性和收敛速度，并给出了收敛性证明．数值实验表明．该算法能够有效的求解全局优化问题．     

基于数论佳点集的遗传算法初始种群均匀设计

文章利用数论中的佳点集理论和方法,给出了遗传算法初始种群生成的一种具有良好多样性的均匀分布设计.通过对遗传算法机理的研究,发现初始种群的分布状态不仅直接关系到遗传算法的全局收敛性,还影响算法的搜索效率,所以对初始种群进行科学合理设定是应用遗传算法进行寻优计算的一个重要问题.基于优化设计思想,提出应用佳点集均匀设计方法确定遗传算法的初始种群.这种方法具有简单易行、种群多样性好、更适合多维情况等特点,实验结果验证了该方法可以有效地改善算法的全局收敛性,提高搜索效率.     

一种改进的自适应遗传算法的收敛性分析

针对目前遗传算法缺乏有效的分析工具,理论分析困难较大的问题,提出了一种基于压缩映射原理的收敛性分析方法。首先,讨论了遗传算法收敛性的2种定义。然后介绍了一种基于精英保留策略的改进的自适应遗传算法,作为收敛性分析的对象。介绍了压缩映射原理,作为收敛性分析工具。最后,应用该定理对改进的自适应遗传算法进行了收敛性分析,验证了该算法是收敛的,证明压缩映射原理是遗传算法收敛性分析的一种有效工具。     

模糊神经网络的DNA算法训练

提出了基于DNA计算和遗传算法的DNA遗传算法,给出了DNA遗传算法的结构，讨论了遗传操作算子,利用DNA遗传算法对FNN进行学习，比采用梯度型算法和遗传算法有更高的学习精度和更快的收敛速度,该算法有全局收敛性避免了采用梯度型学习算法训练FNN时固有的局部收敛问题，同样，该算法加速了FNN的训练，能够在线应用．     

模拟进化型状态变量滤波器

给出一种模拟进化型状态变量滤波器的硬件结构。运用一种新的自适应遗传算法以及权值调整的多目标适应度评估方法,有效地解决了遗传算法的全局收敛性问题。在高Q值状态变量滤波器的设计中,对其实效性进行了仿真和验证,得到满意结果。     

紧致遗传算法的进化机制分析

为了分析紧致遗传算法的进化机制, 首先给出了用于刻划进化概率向量的有关概念; 其次研究了增加染色体有效进化的方法, 提出了基于进化强度系数的增强紧致遗传算法; 同时为进一步研究基于多变量的紧致遗传算法提供了框架.     

改进量子遗传算法及其应用

针对量子遗传算法在多维复杂函数优化中迭代次数多、易陷入局部极值等缺点,提出新的量子遗传算法。通过搜索各种群中各染色体的最优个体,组成一个新的种群,并以此种群作为当前最优种群来确定量子门的全局最优搜索方向。引入小生境协同进化策略初始化量子种群,使量子染色体均匀分布于初值空间。以非线性连续优化问题为例所进行的仿真结果表明,该方法具有收敛速度快、寻优能力强等优点。最后,将该算法应用于化工过程的优化,取得良好的效果。     

基于协同进化遗传算法的地域选取方法

地域选取是基于GIS(Geographic Information System)的辅助决策系统的关键技术之一,多目标选取是其中的难点。协同进化遗传算法是传统遗传算法的改进,考虑了种群之间的相互作用。文中将协同进化遗传算法应用到了多目标地域选取中,采用了实数的染色体编码方式,改进了选择和变异算子。并在指挥所配置实验中运用该方法成功地解决了问题。     

并行遗传算法在并行多机调度中的应用

GA是一类基于自然选择和遗传学原理的有效搜索方法,它从一个种群开始,利用选择、交叉、变异等遗传算子对种群进行不断进化,最后得到全局最优解。但随着求解问题的复杂性及难度的增加,提高GA的运行速度便显得尤为突出,采用并行遗传算法(PGA)是提高搜索效率的方法之一。本文分析了并行遗传算法的四种模型,最后将其应用于多机任务调度中。     

改进的遗传算法在作业调度中的应用

作业调度问题（JSP）是一类典型的NP-hard问题,遗传算法作为一种通用的优化算法在求解JSP中得到了广泛的应用。本文主要针对作业车间调度问题,基于改进的遗传算法 ,根据种群的进化状况,从而确定种群的适应度值,使之能够保持种群的多样化。     

并行遗传算法的研究及应用进展

并行遗传算法（PGA）将并行计算机的高速并行性和遗传算法天然的并行性相结合,极大地促进了遗传算法的研究与应用。该文对近年来并行遗传算法的模型、性能分析、算法改进、实现平台进行了归纳和评述,并且对并行遗传算法今后的主要研究方向和发展前景进行了展望。     

狭义遗传算法

该文讨论了狭义遗传算法的一般框架,并对其运行机理进行了分析。由于狭义遗传算法的搜索过程不是一个遍历的Ｍａｒｋｏｖ过程,搜索空间小,Ｎ此它具有收敛速度快,搜索过程稳定性高、可控制性强等特点。最后,提出了有待研究的问题。     

基于分层遗传算法的网格任务调度策略

针对传统的网格任务调度算法存在的缺陷,提出了用分层遗传算法来实现对网格任务调度策略的优化.在构造分层遗传算法时引入了SGA,AGA和CHC算法. SGA采用基本的遗传操作,保证了种群的多样性;AGA对交叉概率和变异概率的动态调整,保证了遗传算法的收敛性;CHC算法强调优良个体的保留,加快了遗传算法的收敛速度;分层遗传算法在吸收了这3种算法优点的基础上进行优化.实验结果表明,分层遗传算法在结果精度和收敛速度上都较其他算法有较大程度的提高.     

一种分层协同进化学习方法及其在机器人追踪中的应用

本文在分析了密歇根方法和匹茨堡方法的基础上,提出了一种新型分层协同进化学习方法。该方法由上述两类 种群构成,此两类种群分别属于不同的智能层次,进行协同进化来实现智能,种群内部各自独立地采取不同的遗传操 作,种群之间使用交互算法进行交流。实验表明：该方法能改善分类器系统的短视特性并提高其智能。     

遗传算法综述*

遗传算法来源于进化论和群体遗传学，是计算智能的重要组成部分，正受到众多学科的高度重视。本文系统综述了遗传算法的发展历程，理论研究和应用研究，并进行了分析和评价。