遗传算法在人工智能领域中的应用

该文介绍了遗传算法的基本概念、基本遗传算法的特点和基本遗传算法的求解步骤,同时也介绍了遗传算法在机器学习、并行处理、人工生命以及遗传算法与进化规则及进化策略的结合的发展动向,最后讨论了基于遗传算法的人工神经网络学习中的应用研究,具体论述了遗传算法在学习神经网络权重和学习神经网络拓扑结构的应用方法。     

基于分裂算子的遗传算法和自适应遗传算法

针对遗传算法所存在的早熟和收敛速度慢等问题,基于低等生物的分裂生殖现象,提出了分裂算子的概念,并将该算子引入到传统遗传算法和自适应遗传算法中,对这两种遗传算法进行了改进。通过一系列多峰函数测试实验,将改进算法分别与基本遗传算法和自适应遗传算法进行比较,证明引入分裂算子后的遗传算法和自适应遗传算法不仅有效地收敛到全局最优解,而且提高了收敛速度。     

量子遗传算法及其在多用户检测中的应用

量子计算与遗传算法相结合的量子遗传算法是当今计算智能领域的一个前沿课题。文章从研究遗传算法在并行实现上的困难和改进方法出发,探讨了量子计算与遗传算法结合的理论基础,分析了量子遗传算法的理论和结构,最后提出了一种基于量子遗传算法的多用户检测方法。仿真结果表明,基于量子遗传算法的多用户检测器抗多址干扰的能力明显优于经典遗传算法多用户检测器。     

量子遗传算法研究进展

针对量子遗传进行了研究,介绍了量子遗传算法的发展、基本理论和方法,从量子门的改进、加入新算子、量子遗传算法的并行性、混合量子遗传算法四个角度论述了量子遗传算法的改进方法,并总结了量子遗传算法的应用领域。最后提出了量子遗传算法的发展方向。     

基于混沌遗传算法的区域交通计算机控制配时优化

充分发挥混沌理论和遗传算法各自的优势,开发了混沌遗传算法,混沌遗传算法能有效地改进遗传算法的收敛速度慢、早熟收敛和有可能陷入局部最优点的缺陷。分析了城市交通这个复杂大系统的混沌性,并将混沌遗传算法成功应用于城市区域交通计算机控制信号配时优化。采用TSIS5.1进行了仿真,仿真结果表明:混沌遗传算法比遗传算法的收敛速度大大加快,且车辆平均延误和平均停车率都比遗传算法和固定周期法有明显的降低。     

改进的遗传算法在优化BP网络权值中的应用

对遗传算法和BP神经网络的特点进行了比较,作为进化算法神经网络与遗传算法的目标相近而方法各异。阐述了遗传算法与神经网络结合的必要性。提出了一种改进的遗传算法优化BP神经网络的权值,用遗传算法的全局随机搜索能力弥补了神经网络容易陷入局部最优解的问题。同时,在遗传算法中改变传统的同代交叉机制,采用父代与子代进行交叉,避免了遗传算法过早丧失进化能力。     

遗传算法研究综述 *

介绍了遗传算法的基本工作原理和主要特点 ,讨论了遗传算法的理论、技术、存在问题及改进方法 ,概述了遗传算法的常见应用领域 ,分析了近五年国内对遗传算法的研究现状。最后 ,进一步探讨了遗传算法的未来研究方向。     

一种基于隔离自适应算子的遗传算法研究

本文首先介绍了遗传算法的理论知识,阐述了基本遗传算法的优点及不足之处。然后在小生境遗传算法的基 础上,引入了隔离技术以及自适应算子,形成了一种基于隔离技术以及梯度算子的小生境遗传算法。理论及实践均表明,新的 改进的遗传算法在实际问题的解决中确实优于基本小生境遗传算法。     

并行遗传算法分析

在科学计算机领域,并行遗传算法开始受到关注。分析了遗传算法并行化的同和实现模型,讨论了遗传算法隐含的并行性,对于灵活应用并行遗传算法有指导意义。     

基于分层遗传算法的基站频率最优分配策略

针对通信基站频率区间分配的问题,提出了一种基于分层遗传算法来实现最优数字分配的方法,有效地改进了具有过早收敛缺陷的基本遗传算法。首先,论文介绍了遗传算法的基本原理,阐述了分层遗传算法的优点,然后通过对实际问题的分析,整理出数学模型,采用线性规划的方法计算出适应度函数,分别进行基本遗传算法和分层遗传算法的实验。通过对实验结果的整理和分析,证明了分层遗传算法可以有效地实现频率区间的最优分配。     

一种主从式并行遗传算法设计

该文对串行遗传算法进行了并行设计,加入对当前通用消息传递接口MPI的支持,形成了一个主从式并行遗传算法。针对该算法用经典的测遗传算法效率的OliverTSP问题进行测试,得出并行遗传算法可以更好的提高遗传算法的收敛性。     

遗传算法综述

本文主要回顾了遗传算法的发展历程,并对遗传算法的基本原理及特点作了简要阐述。进一步指出了遗传算法存在的问题及相应的改进措施,讨论了遗传算法在实际中的应用。     

遗传算法在车辆路径问题中的应用与实践

本文简要介绍了遗传算法和VRP问题,并提出利用遗传算法来解决VRP径问题,基于遗传算法的基本思想设计了合适的算法程序,通过实验表明了遗传算法能够有效地求解VRP问题.     

一种主从式并行遗传算法设计

该文对串行遗传算法进行了并行设计,加入对当前通用消息传递接口MPI的支持,形成了一个主从式并行遗传算法。针对该算法用经典的测遗传算法效率的OliverTSP问题进行测试,得出并行遗传算法可以更好的提高遗传算法的收敛性。     

噪声环境下遗传算法的研究

噪声环境下遗传算法的有效实现对于提高遗传算法实际应用价值具有非常重要的意义。文中对遗传算法领域的噪声环境以及噪声模型进行了分析和描述,着重从函数优化和模式定理分析了噪声环境对遗传算法的影响和主要原因,最后采用高斯噪声模拟噪声环境,对传统遗传算法和两种常用改进遗传算法进行了性能比较和分析。     

遗传算法及其并行性研究

遗传算法是一种解决优化问题的方法。经过多年的发展,已经在很多领域取得了成功的应用。而传统的遗传算法经过改进,产生了各种改进后的遗传算法,而并行性是遗传算法改进的重点突破方向,重点研究了遗传算法的并行性。并结合项目开发出实例。     

一种实现全父辈交叉遗传算法的神经计算模型

该文提出了一种实现二值编码全父辈交叉遗传算法的神经计算模型GAnn。GAnn将遗传算法的迭代循环结构通过一组由神经元模块所组成的反馈回路实现,并给出了实现二值编码全父辈交叉操作以及突变操作的人工神经元和神经网络拓扑结构。该文通过实验结果验证了GAnn的可行性。GAnn综合了硬件遗传算法和并行遗传算法的优点,这对于用硬件实现遗传算法,显式地实现遗传算法的内在并行性,提高遗传算法的实时性,拓宽遗传算法应用领域的研究具有积极的意义。     

遗传算法的基本原理及其应用研究

介绍了遗传算法的基本概念和基本原理,分析说明了遗传算法求解实际问题的基本步骤以及应用领域,指出了遗传算法在应用中的几个关键问题,同时简要介绍了遗传算法研究新动向及存在的问题。     

三种遗传算法的改进方法与研究

遗传算法是一种基于自然选择和生物进化机制的智能优化算法,由于它具有非常多的优点,所以被广泛应用于各个领域。但是基本的遗传算法(简称GA)也存在着许多的缺点和不足:适用范围没有非常广;遗传算法很容易出现"早熟"收敛,搜索性能不高;遗传算法的时间复杂度往往比较高,而搜索的效率却比较低。本文针对基本遗传算法的陷入局部最优和早熟收敛的缺点,对基本遗传算法提出了三种改进方法:既顺序选择遗传算法、大变异遗传算法和双切点交叉遗传算法,并通过仿真实验验证了这些改进。     

基于遗传算法求解TSP问题的一种算法

主要研究了用遗传算法求解TSP问题。阐述了简单遗传算法的设计方法、基本原理和基本步骤。描述了简单遗传算法在TSP问题中的应用现状。根据种群个体的多样性和分布情况,提出了判定遗传算法的截止代数。简单遗传算法具有易于陷入局部最优解、收敛速度慢的特点,针对这些特点,通过改进交叉算子,加入初始化启发信息,提高了遗传算法解的精度和收敛性。