遗传算法及其发展

本论文讨论了遗传算法的产生，发展，求解过程及其存在的问题。这些将有助于加深对遗传算法的理解，因而更好地应用它求解各种具体问题。     

遗传算法综述

本文简述了遗传算法的基本原理和特点，以及在各个领域的应用情况。     

免疫遗传算法及在优化问题中的应用综述*

指出遗传算法的不足,将免疫学原理引入遗传算法,进而形成免疫遗传算法。针对免疫遗传算法在优化问题中的研究现状,从编码技术、先验知识、操作算子、混沌理论引入、多种群方式、与小生境理论结合等方面进行了总结,指出了不足之处,最后探讨了免疫遗传算法需要进一步研究的问题和发展方向。     

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。     

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。     

一种求解函数优化的混合蚁群算法*

将遗传算法与蚁群算法中的协同模型进行有机结合,在蚁群算法中引入交叉、变异、选择算子来改进基本蚁群算法,克服了蚁群算法不太适合求解连续空间优化问题的缺陷。通过测试函数表明该方法具有较好的收敛速度和稳定性,求解结果好于遗传算法。     

基于多级搜索区域的协同进化遗传算法*

针对传统多种群协同进化算法仍然存在收敛速度慢、计算复杂性不能随进化过程有效降低等问题,提出了一种基于多级搜索区域的协同进化遗传算法,给出了一种衡量种群进化停滞的标准。通过聚类分析将搜索区域划为三个等级,对于较高等级的区域加强搜索粒度,逐步缩小搜索范围,提高了收敛速度并降低了算法复杂度。实验结果表明,该算法是求解最优化问题的一种有效方法。     

模拟进化优化方法及其应用：遗传算法

在本世纪六十年代中期,美国、德国等国家的一些科学家开始研究用模仿生物和人类进化的方法求解复杂的优化问题的方法,这里我们统称之为模拟进化优化方法(optimi:ation method by simulatedevolution)。但这些方法在六十年代和七十年代并未受到普遍的重视,一是因为当时这些方法还不成熟,二是当时计算机发展水平低,容量小,计算速度慢,这些方法又需要较大的计算量,难以实际应用。但在这期间有一些科学家一直在进行不懈的努力.代表性人物之一为美国的著名科学家J.H.Holland,他和他的学生甲直在对他所提出的一种模拟进化优化方法—遗传算法(Genetic Algorithm,GA)进行理论研究并开拓其应用领域。八十年代初期,伴随着人工神经元网络理论和机器学习理论的发展以及计算机容量和计算速度的不断提高,遗传算法的研究也越来越受到重视而逐步成熟起来,并日益受到各学科研究人员的普遍重视。自八十年代中期开始,这种方法除了在人工智能领域。     

提高遗传算法收敛速度的方法

我们知道简单遗传算法的搜索速度太慢，为了提高自救的速度，本文提出了加快算法速度的方法。它们是保持当前最好解，每次搜索不同的区域，及改变种群后表示变量的串长（接近最优解时，缩小搜索的步长）。先用不同的方法，分别进行计算机模拟，再把上述几种方法结合，进行模拟。后一种模拟结果显示，这种方法极大地提高了遗传算法的速度，可以反它应用于某些实时控制中。     

遗传算法与进化规划的比较研究

遗传算法和退化规划是目前工程应用研究中最普遍的两种进化算法，由于它们的来源及原理的不同导致它们在生物基础、算法操作及实施细节上均存在很大差异，适最终影响到它们的实施效果及性能。通过系统的理论分析及函数仿真实验研究表明。进化规划无论是生物基础、算法实施选是计算性能方面都明显优于遗传算法，是处理工程优化问题的一种更理想的方法。     

基于小生境的混和遗传退火算法的并行化

提出一种并行小生境混合遗传退火算法,并对该算法的特点和优化性能作了定性分析,该并行算法调用了MPI并行库,采用Master-Slaver结构,融入小生境淘汰技术.并应用该算法优化典型的多峰值测试函数-Shubert函数,结果表明这种并行后的算法提高原小生境混合遗传退火算法进化速度,增强全局寻优能力.     

方向自学习遗传算法

为克服准遗传算法收敛速度慢、早熟收敛等缺点,提出一种方向自学习遗传算法,该算法在局部搜索中引入方向信息,利用函数的伪梯度来指导搜索方向。算法通过个体之间的竞争、合作与学习来不断更新最优个体,为增加种群的多样性提出一种消亡算子,避免早熟收敛,提高算法收敛速度。采用4个二维函数和多个无约束高维函数对算法进行测试,与3个新提出的算法进行比较,实验数据和理论分析表明,该算法在解的质量上和计算复杂度上都优于上述3个算法,充分证明该算法的有效性。     

基于遗传算法与思维进化计算的一种广义进化模型

本文在遗传算法(Genetic Algorithm，简记GA)与思维进化计算(Mind Evolutionary Computation，简记MEC)的基础上，提出了一种广义进化模型(Generalized Evolutionary Model，简记GEM)、该模型用微演化与宏演化两个过程，分别模拟人类的思维学习方式与自然进化，并通过概率趋同、信息迁移、自适应变异算子将两个过程有机的结合起来，从完全意义上模仿了人类的进化．该模型既能有效的克服遗传算法的本质缺陷，又能拓展思维进化计算的理论基础及应用范围．数值优化的仿真结果证明了该模型的有效性。     

Genetic programming for articulated figure motion

We present an approach to articulated figure motion in which motion tasks are defined in terms of goals and ratings. The agents are dynamically-controlled robots whose behaviour is determined by robotic controller programs. The controller programs for the robots are evaluated at each time step to yield torque values which drive the dynamic simulation of the motion. We use the AI technique of genetic programming (GP) to automatically derive control programs for the agents which achieve the goals. This type of motion specification is an alternative to key framing which allows a highly automated, learning-based approach to generation of motion. This method of motion control is very general (it can be applied to any type of motion), yet it allows for specifications of the types of specific motion which are desired for a high quality animation. We show that complex, specific, physically plausible and aesthetically appealing motion can be generated using these methods.     

一种改进的遗传算法及其在TSP中的实现

TSP问题是典型的NP完全问题，遗传算法是求解NP完全问题的一种方法。文章针对TSP问题．提出了一种改进的遗传算法。在遗传算法中引入进化算法的思想，在此基础上提出顶端培育策略和分阶段策略，以求在保证群体多样性的同时加快收敛速度。在算法的仿真和测试中，改进后的算法明显优于传统的遗传算法。这表明，该算法具有良好的可行性和实用性。     

多智能体遗传算法用于线性系统逼近

提出了一种新的参数优化方法--多智能体遗传算法,来求解线性系统逼近问题.该方法中每个智能体代表一个候选解,即搜索空间中的一个实值向量.所有智能体生存在一个网格状的环境中,且每个智能体占据一个格点不能移动.为了增加能量,它们将与其邻域进行合作或竞争,也可以利用自身的知识.因此,设计了4个进化算子来模拟智能体间的竞争、合作、自学习等行为.该方法利用这些智能体与智能体间的相互作用来达到优化逼近模型中参数的目的;此外,还采用了一种动态扩展搜索空间的方法以解决算法所需的搜索空间难以确定的问题.实验中,利用一个稳定和一个非稳定的线性系统逼近问题来验证算法的性能,并与两种新近提出的方法作了比较.结果表明,该文方法优于其它方法,能够用较少的计算量找到高质量的逼近模型,具有良好的性能和实际应用价值.     

基于微粒群算法与模拟退火算法的协同进化方法

提出了一种基于模拟退火与微粒群算法的协同进化方法,利用了微粒群算法的易实现性、局部快速收敛性以及模拟退火算法的全局收敛性.通过两种算法的协同搜索,可以有效克服微粒群算法的早熟收敛.仿真结果表明,本文的协同进化方法不仅具有较好的全局收敛性能,而且具有较快的收敛速度.文章从理论上证明了该方法以概率1收敛于全局最优解.     

基于遗传模拟退火算法的军用仓库选址研究

战区物资供应强度大,运力有限,军用仓库选址的合理与否会直接影响到战役、战术物资供应的效率,该文运用遗传模拟退火算法研究了军用仓库选址问题,实例验证充分说明了遗传模拟退火算法在收敛速度及跳出局部极值的能力诸方面明显优于标准的遗传算法和模拟退火算法。     

退火遗传算法的多连接查询应用

多连接查询的优化是数据库查询的关键问题之一,遗传算法与模拟退火算法的结合有利于全局最优解的搜索。提出了一种混合算法,并将其应用到多连接优化问题中,改进了获得最优查询计划的性能。     

Genetic Programming with a Genetic Algorithm for Feature Construction and Selection

The use of machine learning techniques to automatically analyse data for information is becoming increasingly widespread. In this paper we primarily examine the use of Genetic Programming and a Genetic Algorithm to pre-process data before it is classified using the C4.5 decision tree learning algorithm. Genetic Programming is used to construct new features from those available in the data, a potentially significant process for data mining since it gives consideration to hidden relationships between features. A Genetic Algorithm is used to determine which such features are the most predictive. Using ten well-known datasets we show that our approach, in comparison to C4.5 alone, provides marked improvement in a number of cases. We then examine its use with other well-known machine learning techniques.