智能数据挖掘系统中的案例组织和检索

智能化的数据挖掘系统主要是为了给不懂数据挖掘的用户，提供一种决策支持，这个系统的关键就是案例的组织和检索，为此介绍了一种采用了面向对象和商空间结合的案例组织方式，和基于遗传算法和AHP的多维优化案例检索算法。并通过家验验证了算法的优越性。     

遗传神经网络方法在粮食产量预测中的应用研究

介绍了遗传算法(GA)和人工神经网络(ANN)技术,通过使用遗传算法优化神经网络的连接权重基于GA-BP-ANN粮食产量预测模型的混合算法,实际应用,结果表明,该方法是可行的,可以作为一种有效的预测方法。     

论遗传算法在旅行商问题中的应用

旅行商问题是算法应用中的基本问题,遗传算法具有通用性、智能性、鲁棒性、全局性和并行性的特点,正好适合于该问题的求解。但基本遗传算法在解决旅行商问题时效率不高,并且容易陷于局部最优解。为了解决这一问题,提出了一种改进的遗传算法。文章首先对旅行商问题进行了描述,对遗传算法进行了介绍,对其中的个体选择、交叉算法等重要因素做了一定地改进。最后,用一个简单的实例对基本遗传算法和改进的遗传算法进行了比较,发现改进的遗传算法在解决旅行商问题上的效率问题上有了一定的提高。     

Web服务组合QoS全局优化算法

Web服务技术的发展使得组合Web服务的应用成为可能,组合服务的QoS优化问题的重要性越来越明显。遗传算法与蚁群算法是解决QoS全局优化的两种方法,针对采用蚁群算法进行优化时易出现的收敛速度缓慢及遗传算法易陷入局部最优解、效率不高的问题,结合两种算法的优势,充分发挥蚁群算法正反馈特性与遗传算法的快速全局搜索能力,改善QoS全局优化算法,提高了算法的优化能力,从而更好地解决了Web服务的QoS全局优化问题。     

模糊C均值聚类图像分割的改进遗传算法研究

基于模糊C均值(FCM)聚类算法,并利用遗传算法全局随机搜索的特点,提出了一种图像分割的改进遗传算法。该算法首先采用一种初值化算法确定合适的遗传算法的初始搜索范围,然后对遗传算法中的编码方式、交叉算子、变异算子等参数进行了一些适当改进,进而给出了该算法的理论推导和算法的具体实现步骤。该算法除了解决模糊C均值聚类算法在医学图像分割中容易陷入局部最优解的问题,而且采用的初值化算法比标准的遗传模糊C均值聚类算法能确定更合适的遗传算法的初始搜索范围,从而加速了遗传算法的收敛过程。实验表明,该方法相对于标准的遗传模糊C均值聚类算法,效果要好得多。     

遗传算法应用的分析与研究

介绍了进化算法的原理以及历史,以及应用遗传算法解题的步骤,最后对其各重要因素进行分析.     

基于正反馈机制的遗传算法

提出了一种基于正反馈机制的遗传算法(Genetic Algorithm based on Mechanism of Positive Feedback,GAMPF),它将蚂蚁算法的正反馈机制引入到两交换启发交叉算法(HGA),用信息素指导遗传算法的交叉操作,实现了蚂蚁算法与遗传算法的融合。TSP仿真实验证明,新算法在求解质量和求解效率上都取得了很好的效果。     

一种混合遗传算法在异步电机直接转矩调速系统中的应用

针对煤矿电机车异步电动机直接转矩控制系统中数学模型参数的不确定问题提出了一种基于混合遗传算法的模糊控制器,讨论了遗传算法中禁忌搜索(TabuSearch)的变异算子,并对它进行了一些改进.理论分析和仿真结果表明,采用遗传算法可以对模糊控制器的加权因子进行优化,有助于改善系统的动态性能.     

基于应用层负载均衡策略的分析与研究

介绍了Round Robin(RR),Weighted Round Robin(WRR),Least Connection(LC)和Weighted Least Connection(WLC)四种负载均衡算法,对这四种算法进行性能仿真。根据模拟得到的相关数据绘制各个算法的负载均衡度性能曲线,并对每个算法进行了性能分析。在此基础上设置三种不同的模拟模型,对四种算法进行更深入的测试和性能比较。     

一种新型免疫遗传算法

标准遗传算法存在收敛速度慢、过早成熟等缺点。借鉴生物免疫系统中抗体注射免疫的理论,提出了一种基于抗体注射的新型免疫遗传算法(AIGA)。该算法在保留标准遗传算法随机全局搜索能力的基础上,引进了生物免疫系统的免疫应答、抗体注射、免疫选择等机制。结合TSP问题,给出了示范抗体的提取和注射方法,并给出了算法收敛性的理论证明。最后,用AIGA算法对100个城市的TSP问题进行了仿真计算,并将其计算过程与标准遗传算法进行了对比,结果表明该算法能有效地改善遗传算法的不成熟收敛缺陷,使收敛的速度有较大的提高。     

GP、SAP算法比较研究

针对规划问题,引入了固定结构解的描述形式,指出其离散量与连续量混合的多峰值优化的特点。在此基础上提出了固定结构遗传规划算法（GP）、模拟退火规划算法（SAP）,并进行了算法分析。最后通过实验对四个典型优化函数的优化进行了比较研究。研究与实验结果表明SAP算法综合考虑了结构优化与参数优化,具有收敛效率高、获得更优解概率大的特点;GP算法有利于结构优化,但不利于参数优化,具有收敛效率较低,获得更优解的概率较小的特点。     

改进的基因表达式程序设计实现复杂函数的自动建模

基因表达式程序设计(简称GEP)是一种新型的遗传算法,它继承了遗传程序设计(简称GP)和遗传算法的优点并且具有更高的效率和更强的搜索能力,但同时也存在缺乏学习机制,搜索过于盲目的缺点,针对其缺点对其进行了如下改进:(1)改变了GEP的基因表达式结构,将原来的“头+尾”结构改成了“头+身+尾”结构,以利于其引进学习机制;(2)同源基因也采用“头+身+尾”结构,以利于增强其搜索能力;用其实现复杂函数的自动建模,实例测试的结果表明用改进的基因表达式程序设计得到的模型比传统方法得到的模型要好,甚至优于用遗传程序设计和基本的基因表达式程序设计得到的模型。     

基因表达式编程初始种群的多样化策略

基因表达式编程(Gene Expression Programming,GEP)算法是遗传家族的新成员,被广泛用于知识发现,其初始种群的质量对进化效率和进化结果至关重要.为了产生优势初始种群,提出了基因空间均匀分布策略(Gene Space Balance Strategy,GSBS),证明了描述编码空间量化性质的GEP编码空间定理.实验表明,GSBS提高进化效率超过20%.GSBS算法的思想还可以应用于其它进化计算中.     

遗传程序设计方法综述

近年来,遗传程序设计（genetic programming,GP)的研究引起了人们很大的关注,它运用遗传算法（genetic algorithm,GA)的思想,通过生成计算机程序来解决问题,介绍了遗传程序设计的研究状况以及目前的研究进展,概述了它的基本算法、主要特点、理论与技术,同时介绍了一些GP实现系统以及主要的应用领域,最后探讨了遗传程序设计的研究方向。     

遗传编程运行期个体多样性分析方法及应用

文中根据遗传算法理论分析了遗传编程中种群多样性对算法收敛特性的影响,提出了一种可行的种群多样性跟踪评测方法,同时提出了优选父代个体的改进方法。以求解旅行商问题为例,通过统计性实验数据验证了改进后的算法较采用同样局部优化的常规遗传算法具有更好的收敛速度和优化解,同时也对改进后算法的相关控制参数选择进行了实验分析,结论为改进算法能获得更好的收敛性能。     

Probabilistic Pattern Matching and the Evolution of Stochastic Regular Expressions

The use of genetic programming for probabilistic pattern matching is investigated. A stochastic regular expression language is used. The language features a statistically sound semantics, as well as a syntax that promotes efficient manipulation by genetic programming operators. An algorithm for efficient string recognition based on approaches in conventional regular language recognition is used. When attempting to recognize a particular test string, the recognition algorithm computes the probabilities of generating that string and all its prefixes with the given stochastic regular expression. To promote efficiency, intermediate computed probabilities that exceed a given cut-off value will pre-empt particular interpretation paths, and hence prune unconstructive interpretation. A few experiments in recognizing stochastic regular languages are discussed. Application of the technology in bioinformatics is in progress.     

自动程序设计的研究

自动程序设计是计算机科学的中心目标之一,围绕中心目标进行研究是计算机科学工作者的责任。采用一种形式化方法,即演化计算(EvolutionaryComputation)理论,特别是其中的遗传程序设计(GeneticProgramming,简称GP)的理论,深刻研究了自动程序设计的概念和遗传算法。基于该方法的自动程序设计能够模拟生物进化的机制来适应外界环境,并获得最佳解,从而使得自动程序设计获得较好效果。     

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。     

基因表达式编程的理论研究综述*

对新兴的基因表达式编程算法在国内外的理论研究现状进行了系统的研究,剖析了GEP的基本原理和特点,并对国内外关于GEP理论和算法的研究现状进行系统的讨论,最后根据笔者的见解探讨了未来研究的重点方向。     

一种线性表示的遗传程序设计方法研究

遗传程序设计领域中的一个重要研究内容是如何有效地表示进化的个体（计算机程序），对采用树的线性后缀形式的个体进行位置信息编码以实现多种形式的遗传操作，并给出形式化定义，设计并实现了一个基于栈的遗传程序设计算法，通过模拟实验比较了各操作的性能，这种编码方式可以扩展到程序的线性结构中，以实现特定的遗传操作，显示出线性表示具有适于解决不同问题的可行性和灵活性，还给出了基于串的一点交叉的线性遗传程序设计的模式理论，它可以把标准遗传算法的模式生成机制统一到该理论框架中。