并行遗传算法的研究

在分析了解决组合优化问题所遇到的困难的基础上，引入遗传算法.进而提出基本遗传算法在解决数量级很大的组合优化问题上的缺陷，并详细介绍了遗传算法的三种并行模型，最后给出改进的并行遗传算法模型．     

基于遗传算法的神经网络性能优化

遗传算法是一种典型的进化算法。文中分析了遗传算法的特点和神经网络的特点，从而得出了把两种算法结合起来进行应用的思想。运用理论对比的方法，阐明了用遗传算法进行神经网络性能优化的原因，并得出结论，认为用遗传算法进行神经网络性能优化促使了神经网络更进一步的应用。阐述了遗传算法优化神经网络的两种主要方法，论述了遗传算法和神经网络的发展现状和将来的研究动向。     

基于神经网络与遗传算法的传动部件设计优化

为了提高设计效率，得到最优设计效果。依据人工神经网络模型和遗传算法的基本原理，建立了基于神经网络和遗传算法的传动部件设计优化模型，用Matlab语言编制了应用程序，对神经网络的参数预测与遗传算法的优化过程进行求解，试验仿真结果表明，采用设计优化切实可行，具有良好的实际应用效果。     

并行遗传算法在软件可靠性优化中的应用

基于并行遗传算法将软件系统的可靠性优化问题表达为一类带约束条件的组合优化问题，并采用并行遗传算法中的岛屿模型和迁移策略，较好地改善了搜索性能。模拟实验表明：并行遗传算法有效地提高了运行速度和求解质量。     

遗传算法在神经网络优化中的应用

把遗传算法和神经网络结合起来，形成以遗传算法与神经网络相结合的进化神经网络。介绍了遗传算法的基本原理。讨论了用遗传算法优化网络结构和基于遗传算法的神经网络权值优化问题。并通过实验仿真将该算法与BP算法进行比较，从而验证了该算法的可行性与有效性。     

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。     

基于MATLAB遗传算法优化工具箱的优化计算

采用Matlab语言编制的遗传算法工具箱（GAOT）可实现二进制编码和真值编码的模拟进化计算，此工具箱在遗传操作方面非常灵活。介绍了用遗传算法工具箱解决了连续优化问题和旅行商问题，并给出了两个实例。     

遗传算法在分布式OS-CFAR检测系统优化中的应用

针对一个3传感器分布式OS-CFAR检测系统，本文分别使用了基本遗传算法和改进的遗传模拟退火算法、小生境遗传算法进行优化搜索，给出了一组不同检测条件下的准最优搜索结果。结果表明，对于这一优化问题，遗传模拟退火算法和小生境遗传算法都具有较好的适应性，其中小生境遗传算法在搜索质量、稳定性和搜索速度上相对更好一些，是一种较理想的多传感器分布式OS-CFAR检测系统参数优化算法。     

基于混合神经网络与遗传算法方法的注塑参数优化

建立了基于混合神经网络与遗传算法方法的注塑工艺参数优化系统，用Matlab语言编制了应用程序，对神经网络的参数预测与遗传算法的优化过程进行求解。将网络预测结果与CAE模拟结果进行比较和误差分析，显示出BP网络的稳定性和可靠性；优化结果经CAE模拟和实验验证，证明是正确的，表明基于混合神经网络与遗传算法方法的注塑工艺参数优化方法是可行的。     

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。     

改进遗传算法在电力系统无功优化中的应用

遗传算法是一种模拟生物进化过程的优化算法,可用于求解包含离散化变量的复杂优化问题,是近些年发展起来的基于自然选择规律的一种优化方法.本文提出了一种应用于电力系统无功优化问题的改进遗传算法,该算法在一般遗传算法的基础上,对适应函数、编码方式以及变异操作等方面作了改进.经电力系统的无功优化问题实例计算表明,改进遗传算法的优化结果可以更有效地达到或接近全局最优.     

Structural application of a shape optimization method based on a genetic algorithm

This paper presents a structural application of a shape optimization method based on a Genetic Algorithm (GA). The method produces a sequence of fixed-distance step-wise movements of the boundary nodes of a finite element model to derive optimal shapes from an arbitrary initial design space. The GA is used to find the optimal or near-optimal combination of boundary nodes to be moved for a given step movement. The GA uses both basic and advanced operators. For illustrative purposes, the method has been applied to structural shape-optimization. The shape-optimization methodology presented allows local optimization, where only crucial parts of a structure are optimized as well as global shape-optimization which involves finding the optimal shape of the structure as a whole for a given environment as described by its loading and freedom conditions. Material can be removed or added to reach the optimal shape. Two examples of structural shape optimization are included showing local and global optimization through material removal and addition. Received October 14, 1999     

一种改进的遗传算法及其在PID控制中的应用

针对经典遗传算法收敛速度慢、易于早熟、局部寻优能力差等缺点，提出了一种改进的遗传算法，并将其应用于PID参数寻优。该算法既具有经典遗传算法的全局寻优能力，又具有局部寻优能力；同时，它又能有效地抑制早熟，保证得到的优化参数为最优。仿真结果表明，基于此遗传算法寻优设计的PID控制器可以极大地提高寻优的速度，鲁棒性强，具有很好的动态品质和稳定性。     

遗传算法的研究与进展

遗传算法是建立在自然遗传学机理基础上的参数搜索方法。本文介绍了遗传算法的思想来源的基本原理，比较了遗传算法与其他人工智能技术，论述了它在优化、机器学习、尤其是控制领域中的应用成果，并对进一步的研究工作提出了一些展望。     

遗传算法在系统可靠性优化中的应用

研究性等价、体积和重量约束条件下，多级串联系统和桥式网络系统可靠性优化问题.使用遗传算法对该问题进行求解，利用基于排名的选择方法和最优保存策略，改善了遗传算法的收敛性能。计算机仿真实验结果表明，用遗传算法求解该问题是有效的。     

一种基于先小后大的遗传算法搜索策略

遗传算法(GeneticAlgorithm,GA)是处理复杂优化问题的一类通用性强的方法,但其实质上是一种随机搜索优化算法,待求解的搜索范围与算法的收敛速度有着密切关系。作者从该算法的搜索特点出发,提出先小范围搜索,再逐步扩大搜索范围的先小后大的搜索策略。实验表明该搜索策略可在一定程度上加快该算法的收敛速度。     

拉丁超立方体抽样遗传算法求解图的二划分问题

图的二划分问题是一个典型的NP-hard组合优化问题, 在许多领域都有重要应用. 近年来, 传统遗传算法等各种智能优化方法被引入到该问题的求解中来, 但效果不理想. 基于理想浓度模型的机理分析, 利用拉丁超立方体抽样的理论和方法, 对遗传算法中的交叉操作进行了重新设计, 并在分析图二划分问题特点的基础上, 结合局部搜索策略, 给出了一个解决图二划分问题的新的遗传算法, 称之为拉丁超立方体抽样遗传算法. 通过将该算法与简单遗传算法和佳点集遗传算法进行求解图二划分问题的仿真模拟比较, 可以看出新的算法提高了求解的质量、速度和精度.     

A Genetic Algorithm for Solving the Container Loading Problem

The paper presents a genetic algorithm (GA) for the container loading problem. The main ideas of the approach are first to generate a set of disjunctive box towers and second to arrange the box towers on the floor of the container according to a given optimization criterion. The loading problem may include different practical constraints. The performance of the GA is demonstrated by a numerical test comparing the GA and several other procedures for the container loading problem.