遗传算法综述

本文从计算智能与进化计算谈起，论述了遗传算法产生的思想及背景，遗传算法的应用与研究现状，以及遗传算法研究的基本内容与问题，最后对ＧＡ与传统搜索算法做一比较，并概述了ＧＡ在并行处理应用中的潜在优势。     

一种新的优化搜索算法—遗传算法

本文详细介绍了遗传算法（ＧＡ）及其数字基础，遗传算法与传统优化方法的区别，总结了遗传算法的特点。同时给出了几种ＧＡ的改进方法和应用ＧＡ的要点。     

一种新的优化搜索算法—遗传算法

本文详细介绍了遗传算法（ＧＡ）及其数字基础，遗传算法与传统优化方法的区别，总结了遗传算法的特点。同时给出了几种ＧＡ的改进方法和应用ＧＡ的要点。     

一种基于免疫原理的遗传算法

本文提出了一种免疫遗传算法（Ｉｍｍｕｎｅ Ｇｅｎｅｔｉｃ Ａｌｇｏｒｉｔｈｍ,简称ＩＧＡ）。免疫遗传算法是根据生物的免疫原理提出的一种改进遗传算法法,该算法主要体现了生物免疫机制中的抗原识别、抗原记忆和抗体的抑制、促进,并结合货郎担（ＴＳＰ）优化问题介绍了具体实现方法,实验结果表明该免疫遗传算法有较好的性能。     

浮点数编码遗传算法及其在电站机组组合优化中的应用

对遗传算法进行浮点数编码并设计相应的遗传操作,得到浮点数编码的遗传算法ＦＧＡ。仿真实例表明：与ＡＧＡ相比,ＦＧＡ不易陷入局部极值,收敛速度快,且能得到较高的优化精度。ＦＧＡ应用到电站机组组合优化问题中,得到良好的结果。     

模糊寻优问题的模糊遗传算法FGA

针对模糊寻优问题，本文基于模糊集的质心概念来确定模糊集的大小，并进而提出了模糊遗传算法ＦＧＡ。算法ＦＧＡ与遗传算法ＧＡ有本制区别，能用效地找到了模糊寻优问题的近似解，本文对算法ＦＧＡ的有效性作了较深入的分析。     

统计遗传算法

本文讨论了遗传算法中框架定理的不足之处，并对之进行了改进，然后分析了遗传算法与Ａ算法的相似性，以及遗传算法的概率性质．由此联想到它与ＳＡ算法的相似性，在此基础上，作者将原先发展的一套ＳＡ算法的理论移植到遗传算法中来，建立一个新的算法，称之为统计遗传算法（简记为ＳＧＡ算法）．为适合于优化计算，作者引入最大值统计量及其对应的ＳＡ算法（简称为ＳＭＡ算法），并将ＳＭＡ算法与ＧＡ算法相结合（记为ＳＧＡ（ＭＡＸ）算法）．新的算法不仅提高了算法的精度和降低了计算的复杂性，而且能克服ＧＡ算法中出现“早熟”的现象以及提供进行并行计算的可能性．更主要的是新的方法为ＧＡ算法的精度、可信度和计算复杂性的定量分析提供了理论和方法上的有力工具.     

改进遗传算法在发电机组优化组合中的应用

在研究遗传算法（ＧＡＳ）的基础上，提出了一种改进遗传算法（ＩＧＡ），并将其应用于发电机组的优化组合中。本文所提出的发电机组改进遗传算法具有快速搜索、易收敛和强鲁棒性的特点。最后，用ＩＧＡ法确定一实际电力系统机组优化组合，结果证明该方法的有效性和应用前景     

遗传算法在自动确定分形标度不变区中的应用

遗传算法在自动确定分形标度不变区中的应用陈遵德（江汉石油学院物探系，湖北荆州）ＴＨＥＡＰＰＬＩＣＡＴＩＯＮＯＦＧＥＮＥＴＩＣＡＬＧＯＲＩＴＨＭＴＯＴＨＥＤＥＴＥＲＭＩＮＡＴＩＯＮＯＦＦＲＡＣＴＡＬＳＣＡＬＥＩＮＶＡＲＩＡＮＴＲＥＧＩＯＮ￥ＣｈｅｎＺｕ...     

SAGACIA全局优化方法及应用

ＳＡＧＡＣＩＡ全局优化方法及应用＠李兵＠蒋慰孙￥华东理工大学自动化研究所模拟退火法，遗传算法，趋化性方法，优化ＳＡＧＡＣＩＡ全局优化方法及应用李兵蒋慰孙（华东理工大学自动化研究所上海２０００２３７）关键词模拟退火法，遗传算法，趋化性方法，优化１）国家自然科...     

模拟退火算法与遗传算法的结合

模拟退火算法与遗传算法的结合王雪梅，王义和（哈尔滨工业大学计算机科学与工程系哈尔滨１５０００１）ＴＨＥＣＯＭＢＩＮＡＴＩＯＮＯＦＳＩＭＵＬＡＴＥＤＡＮＮＥＡＬＩＮＧＡＮＤＧＥＮＥＴＩＣＡＬＧＯＲＩＴＨＭＳ￥ＷＡＮＧＸｕｅｍｅｉ；ＷＡＮＧＹｉｈｅ（Ｄｅ...     

一类GASA混合策略及其收敛性研究

结合模拟退火算法（ＳＡ）和遗传算法（ＧＡ）提出一类ＧＡＳＡ混合优化策略，借助于非平稳马氏链理论证明混合算法的全局渐近收敛性，同时实性地分析了算法的优化效率。     

基于FPGA的遗传算法的实现

遗传算法是基于自然选择法则的一种鲁棒并行计算方法,它可广泛应用于各类分布式与集中式的工业优化控制过程中。遗传算法本质的并行性及其操作的简单性使其非常适合用现场可编程逻辑器ＦＰＧＡ实现。提出了一种基于ＦＰＧＡ的遗传算法的硬件系统,实现了高效并行计算平台。     

佳点集遗传算法的应用

本文利用数论中的佳点集理论和方法,给出了佳点集遗传算法,将佳点集ＧＡ算法应用于求解几类典型的组合优化问题,并与传统ＧＡ算法进行比较,可以看出该算法不仅提高了求解的效率和精度,还有效地避免了“早熟”现象。     

基于线杂交和面变异的遗传算法DGA

遗传算法由于其并行性和对全局信息的有效利用能力在化学和化工界得到越来越广泛的应用。但经典的跗算法在着一些缺点,如优化速度慢、空间搜索不均匀,搜索比较盲目等＾〖１〗。针对这些缺点,我们提出了结合均匀设计、有方向的搜索和遗传算法的确定性遗传算法ＤＧＡ,并用１８个经典测试函数和３个非线性规划问题对ＤＧＡ进行了测试。     

基于遗传算法的三次样条函数拟合

介绍了遗传算法（ＧＡ）的一种新应用－三次样条函数拟合中的参数估计问题。三次样条函数拟合是曲线拟合的一个认的较好方法,它具有很好的分段光滑性,但三次样条函数拟合涉及到矩阵求逆,离散样本点越多,矩阵就越大,求逆就越繁琐。文中将用ＧＡ用于三次样条函数拟合的系数求解,避开了矩阵求逆的繁琐问题,结合具体例子作了一些探索。文中还对标准遗传算法进行了适当的改进,实验结果说明遗传算法是用于参数估计、优化的有力工具     

连续可微函数全局优化的混合遗传算法

通过在遗传算法（ＧＡ）中定义最速下降（ＳＤ）算子、适应度和结构，从而得到结构ＧＡ和ＳＤ法长处，既有较快收敛性，又能以较大概率求得连续可微函数全局极值的混合遗传算法。数值结果表明该方法优于ＧＡ和ＳＤ法。     

用GESA方法求解任务安排问题

ＧＥＳＡ方法是一种并行算法，它以一种新颖的方式综合了遗传算法，模拟退火（ｓｉｍｕｌａｔｅｄａｎｎｅａｌｉｎｇ）模拟进化（ｓｉｎｕｌａｔｅｄｅｖｏｌｕｔｉｏｎ）的思想，特别是ＧＥＳＡ方法中实施了区域引导了（ｒｅｇｉｏｎａｌｇｕｉｄａｎｃｅ），用ＧＥＳＡ方法求解任务安排问题，结果表明ＧＥＳＡ方法性能优越。     

ParaGA:一个并行遗传算法的C++类库

介绍了一基于ＰＶＭ并行环境的并行遗传算法的Ｃ＋＋类库ＰａｒａＧＡ的设计和实现,ＰａｒａＧＡ以使用方便和灵活为主要目标,提供了透明的并行机制,使不具有并行程序经验的用户可以方便地编写并行遗传算法的程序,高级用户也可通过类库提供的若干方法来获得的优化的可行性能,类库采用粗粒度模型,支持并行遗传算法的３种迁移模式及ＳＰＭＤ和Ｍａｓｔｅｒ／Ｓｌａｖｅ两种编程模式,ＰａｒａＧＡ也提供了实现负载平衡分与及利用     

基于模糊遗传的模糊模拟退火算法研究

定义了模糊集的质心概念，并据此来确定模糊集的大小。针对模糊寻优问题，提出了模糊模拟退火算法ＦＳＡ。基于所提出的模糊遗传算法ＦＧＡ，还提出了ＦＳＡ的有效改进算法ＦＧＳＡ。