并行遗传算法概述

遗传算法是模拟生物在自然环境中的遗传和进化过程而形成的一种自然适应全局优化概率搜索算法，它在人工智能、图像识别、函数优化、机器人等领域得到了广泛的应用。但是由于遗传算法的运算量大，在普通的计算机上难以快速完成。因此讨论并行遗传算法是十分在必要的。特别是局域网环境下的并行遗传算法的研究，本文主要介绍了目前主要的并行遗传算法。     

遗传算法研究综述

遗传算法是一种基于生物自然选择与遗传机理的随机搜索与优化方法。近年来，由于遗传算法求解复杂优化问题的巨大潜力及其在工业工程领域的成功应用，这种算法受到了国内外学者的广泛关注。本文介绍了遗传算法的研究现状，描述了它的主要特点和基本原理，概述了它的理论、技术和应用领域，讨论了混合遗传算法和并行遗传算法，指出了遗传算法的研究方向，并对遗传算法的性能作了分析。     

遗传算法中选择策略的分析

遗传算法是一种基于生物自然选择与遗传机理的随机搜索与优化方法。近年来，由于遗传算法求解复杂优化问题的巨大潜力及其在工业工程领域的成功应用，这种算法受到了国内外学者的广泛关注。本文介绍并讨论了最能体现遗传算法“自然选择、适者生存”特点的选择算子的多种操作策略，提出一些可以进一步改进和完善遗传算法选择算子的研究方向，可提高遗传算法的性能，从而扩大遗传算法在各个领域的应用。     

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。     

并行遗传算法与神经网络,模糊系统的结合

遗传算法是模拟自然界生物进化过程的计算模型。本文介绍了并行遗传算法的不同分类及不同并行策略，又将遗传算法分别与神经网络、模糊系统结合起来进行并行处理，并在曙光１０００系统上实现。算法分析表明，并行遗传算法可以有效地提高收敛速度。     

多亲遗传算法的理论分析及其应用研究

多亲遗传算法是在保持了传统遗传算法一些特性的基础上，对传统遗传算法的交叉算子进行了改进。在介绍了多亲遗传算法的基础上，对其进行了理论分析，证明了多亲遗传算法满足Holland的模式定理；提出了一种称为群体中心交叉的多亲交叉算子，最后将这种多亲交叉算子的多亲遗传算法应用到了数据聚类问题中，取得了良好的实验结果。     

遗传算法在重力场中的应用

遗传算法是模拟自然界生物进化过程的计算模型，是一种全局晨线性能化的新算法，本文阐述了遗传算法的基本原理，介绍了遗传算法在重力场中的应用开发实例。     

一种基于遗传算法的自动生成创意曲动机的方法

遗传算法作曲就是利用遗传算法来实现乐曲的生成，在创作的过程中遗传算法按照事先给定的规则进行进化，从而使得人在计算机创作的过程中介入程度达到最小。动机是巴赫创意曲中的核心旋律和主题，文中采用遗传算法对创意曲中动机的自动生成进行了探讨。介绍了遗传算法创作动机的基本过程，即按照动机创作的音乐知识规则来设置适应度函数，采用遗传算法中的选择、交叉和变异算子产生动机片段，最终达到生成自动生成动机片段的效果。     

遗传算法的一个调节算子研究

虽然遗传算法在许多领域获得了成功应用，但它本身存在不成熟的过早收敛问题是影响其发展的中的课题，本文通过对遗传算法要理的分析和认识，给出了遗传算法早熟现象产生的原因是模式缺少，并提出了一个在遗传算法中在于模式抽取和模式补偿的调节算子以解决早期现象，最后给出了运算实例证明该算子是有效的。     

基于遗传算法的投资优化问题应用研究

遗传算法是模拟自然界生物进化过程的计算模型，文中讨论了遗传算法在企业投资规划中的应用，给出了遗传算法解决投资规划问题的计算机仿真实例。     

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.     

Genetic algorithms applied to the continuous flow shop problem

This research develops an approach for applying Genetic Algorithms (GA) to scheduling problems. We generate a GA based heuristic for continuous flow shop problems with total flow time as the criterion. The effects of several crucial factors of GA on the performance of the heuristic for the problem are explored in detail. The computational experience of heuristic provides several observations of the application of GA, and strongly supports that the applications of GA are problem specific. The computational experience also shows that GA can be good techniques for scheduling problems.     

佳点集遗传算法

该文借助于遗传算法的理想浓度模型以及由此模型对遗传算法的机理的分析,给出了遗传算法的运行机理发及特点,即遗传算法是一个具有定向制导的随机搜索技术,其定向制导的原则蛎：导向以高适应度模式为祖先的“家族”方向,以此结论为基础,利用数论中的佳点休的理论和方法,对GA算法中的交叉操作进行了重新设计,给出了一个新的GA算法,称之为佳点集遗传算法,最后作者将佳点GA算法应用于求解优化问题、SAT问题、TSP问题和背包问题,并与其它求解SAT算法进行比较,通过模拟比较,可以看出新的算法不但提高了算法的速度和精度,而且避免了其它方法常有的早期收敛的现象,这说明作者对GA算法机理的理解和佳点CA算法可能为GA算法的研究开辟一条新的途径。     

An improved genetic algorithm with conditional genetic operators and its application to set-covering problem

The genetic algorithm (GA) is a popular, biologically inspired optimization method. However, in the GA there is no rule of thumb to design the GA operators and select GA parameters. Instead, trial-and-error has to be applied. In this paper we present an improved genetic algorithm in which crossover and mutation are performed conditionally instead of probability. Because there are no crossover rate and mutation rate to be selected, the proposed improved GA can be more easily applied to a problem than the conventional genetic algorithms. The proposed improved genetic algorithm is applied to solve the set-covering problem. Experimental studies show that the improved GA produces better results over the conventional one and other methods.     

一个多物流中心配送模型及其遗传算法

物流配送费用是物流系统的核心费用。以节约物流配送费用为出发点,建立了一个多物流中心配送模型,并构造了一个双重混合遗传算法。算法采用扩大的集合覆盖方法,将需求点预分配给配送中心,一个需求点可以依附于多个配送中心,然后在第一重遗传算法中将需求点精确分配给每个配送中心,在第二重遗传算法中规划各配送中心的车辆行驶路线。为第一重遗传算法设计了编码方案和交叉规则。在第二重算法中设计了交叉个体的选择方案,较好地解决了简单遗传算法早熟问题。数据实验表明,该算法是有效的。     

遗传算法在图像处理中的应用

遗传算法是一种基于生物自然选择与遗传机理的随机搜索与优化方法。近年来,由于遗传算法求解复杂优化问题的巨大潜力及其在工业工程领域的成功应用,这种算法受到了国内外学者的广泛关注。本文介绍了遗传算法的基本理论,描述了它的主要特点和基本性质;重点综述了遗传算法在数字图像处理中的主要应用,特别是在图像分割和边缘检测、图像压缩、图像恢复、图像匹配、图像增强以及图像重建等方面的作用;探讨了目前遗传算法在图像处理领域中存在的问题及其在今后的发展方向。     

Heuristically Seeded Genetic Algorithms Applied to Truss Optimisation

A heuristic method of seeding the initial population of a Genetic Algorithm (GA) is described, which enables better solutions to discrete truss optimisation problems to be found within a shorter time period, and with a negligible increase in computational effort (compared with the simple GA). The seeding method is entirely automatic, and makes use of the problem-specific routines used to calculate fitness, already present within the GA. The GA models natural, biological evolution as a means of producing a ‘good’ solution to a problem. The GA described here is implemented in various versions. The differences between each version are in the selection procedure and/or the generation of the initial population. To compare the effectiveness of each strategy the GA variants are applied to four example problems.     

一种解释学习系统的模型EBL／GA

解释学习是演绎式学习方法，而遗传算法是归纳式学习方法。本文提出的解释学习系统模型ＥＢＬ／ＧＡ，结合两者的优点提高了系统的效用。     

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。     

变焦遗传算法及其并行实现研究

遗传算法(Genetic Alogrithm,GA)以其简洁及适应性而获得广泛应用.通常遗传算 法由于串格式及串长的限制,搜索空间及分辨率是有限的,因而往往收敛于局部最优.文中 提出了适宜串、并行计算的变焦(Zooming)遗传算法及多任务并行策略,采用了解码因子、搜 索中心、快速变异等策略来解决搜索空间与分辨率的矛盾,并在工作站及transputer上分别 以串行、并行方式实现了变焦遗传算法.