遗传算法在组合优化问题中的应用

本文通过分析遗传算法的机理和特点,介绍了遗传算法在组合优化问题中的应用。在组合优化的求解问题中,相比于其他优化算法,遗传算法具有一定的优势,但仍存在着严重的局限性。为此,本文对传统的遗传算法进行了改进,并通过TSP(旅行商)问题验证了算法的有效性。     

遗传算法在求解函数优化问题中的应用

函数优化是遗传算法的经典应用领域,也是对遗传算法进行性能评价的常用算例。由此,该文首先对遗传算法作了简介,并讨论了利用遗传算法求解函数优化问题的方法,最后给出了求解Rosenbrock香蕉函数优化实例。     

混沌遗传算法在优化问题中的应用

文章结合遗传算法优化的反演性与混沌优化方法的遍历性,提出了混沌遗传算法,并将其应用于优化问题的求解.实验结果表明,与标准遗传算法比较,该算法具有更好的收敛性能与搜索效率.     

遗传算法及其工具箱在函数优化问题中的应用

函数优化是遗传算法的经典应用领域,也是对遗传算法进行性能评价的常用算例。由此,该文首先对遗传算法的基本原理和定义,以及其工具箱作了简介,最后结合实例,简述了遗传算法及其工具箱在函数优化问题中的应用。     

遗传算法理论及其应用研究进展

首先阐述遗传算法的原理和求解问题的一般过程;然后讨论了近年来从遗传算子、控制参数等方面对遗传算法的改进,并对遗传算法在计算机科学与人工智能、自动控制以及组合优化等领域的应用进行陈述;最后评述了遗传算法未来的研究方向和主要研究内容。     

应用遗传算法求解函数优化问题的程序实现

分析了应用遗传算法求解函数优化问题的程序设计中的常见问题，并分别提出了适用方法。     

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。     

混沌遗传算法及其在函数优化中的应用

将混沌优化和遗传算法结合起来,提出了混沌遗传算法(CGA,Chaos Genetic Algorithm),并将其应用于函数优化问题的求解。通过在种群进化的不同阶段引入混沌优化操作,大大提升了遗传算法的整体性能。实验结果表明,与标准遗传算法(SGA)相比,该算法能更有效地求得全局最优解,具有更快的收敛速度。     

面向对象的遗传算法工具包及在函数优化中的应用

本文在简要综述遗传算法的基础上,基于面向对象的设计思想,提出了一种可行的遗传算法工具包的实现方案,并详细说明了其中两个基本类,染色体类和进化物种类的结构,最后给这个工具包括函数优化中的应用的例子,并说明其有效性。     

一种改进遗传算法在旅行商(TSP)问题中的应用

遗传算法（GA）是一种基于自然群体遗传机制的高效搜索算法，由于它在搜索空间中同时考虑许多点。这样就减少了收敛于局极小的可能，同时也增加了处理的并行性。因此，可以利用遗传算法研究典型的组合优化实例－TSP问题的求解问题。本文采用了启发式三交叉算子并提出了一种全新的变异算子，使得收敛速度更快，能更有效的解决TSP问题。     

单亲遗传算法图式定理的进一步分析(英文)

图式定理是遗传算法的重要理论基础之一。本文对单亲遗传算法的图式定理进行了全面的分析研究,给出了单亲遗传算法图法定理的表达式,并对各种遗传算子破坏图式的概率作了估算。     

基于模式比较的遗传算法

在分析了模式阶、模式定义长度和种群多样性三者之间关系的基础上,提出一种新的基于模式比较的遗传算法。该算法的核心在于,使用配对算子来提高子代种群的多样性。配对算子不像简单遗传算法那样随机选择配对,而是根据模式阶和模式长度对染色体进行配对。实验结果表明,该算法有效地避免了简单遗传算法中因种群多样性较差而造成的早熟现象,显著地提高了收敛速度和搜索全局最优解的能力。     

基于成长算子的改进遗传算法及仿真

模拟生物界成长发育过程,加入成长算子对遗传算法框架进行改进,形成新的算法框架-成长遗传算法(growth GA)．该算法能够克服简单遗传算法寻优速度较慢、局部搜索能力较弱的缺点．利用爬山法局部搜索能力强的特点,给出成长算子的一种具体实现,并证明加入成长算子不改变算法收敛性．与简单遗传算法和确定性拥挤遗传算法的对比函数优化实验证明:成长遗传算法有利于兼顾寻优速度和收敛精度．     

遗传算法的一种新颖编码研究

提出了一种新的基于N进制分部编码算子的遗传算法．该编码算子首先将每个基因值用N进制的浮点数表示,然后将其分为整数部分和小数部分,分别重新编码组成染色体;相应的选择、交叉、变异算子采用符号编码的思想,充分利用N进制浮点数的特点进行设计．在遗传算法开始阶段,该编码算子进行整数部分和小数部分的遗传操作,使得遗传算法在早期具有很强的全局搜索能力,避免陷入局部极值;在后期进行小数部分的遗传操作,使得遗传在后期具有很强的局部搜索能力,能够很快地搜索到全局极值．通过理论分析,证明了N进制分部编码算子与传统的浮点数编码和二进制编码算子相比具有优越性,并通过典型函数的仿真进行了验证．     

遗传算法中的交叉算子的述评

交叉算子是遗传算法中的一种重要算子,对遗传算法中较成熟的交叉算子进行了简单介绍,在此基础上结合文献内容,从理论应用以及作用机理等几个方面对遗传算法中改进的交叉算子进行了分析和讨论,可以发现改进后的交叉算子能在一定程度上克服传统遗传算法的缺点,提高其搜索效率和精度,有效避免过早收敛。进一步提出遗传算法中交叉算子的未来研究方向,为今后遗传算法的应用和发展奠定了基础。     

基于模式学习的文化遗传算法研究

针对遗传算法的缺陷,提出了一种基于模式学习的文化遗传算法,该算法将遗传算法纳入文化算法框架,组成基于GA的主群体空间和信念空间两大空间,主群体空间在进化过程中定期组织最差个体向信念空间提供的种群最优模式学习,从而充分利用了优秀个体所包含的特征信息,在很大程度上提高了收敛速度。实验结果表明,该算法是一种提高遗传算法性能的有效算法。     

自交叉算子

研究表明交叉算子对染色体具有破坏和重构的双重作用,从而在进化代数增加的时候能够使模式内部各基因趋于独立,并且只要组成模式的各个基因都存在,则该模式一定能够被搜索到,此时模式的极限概率就等于组成该模式各基因的初始概率（也就是基因的极限概率）的乘积,与模式的定义长度无关,在对交叉算子性能深入认识的基础上,我们提出了一种新的交叉算子-自交叉算子,实际的算例显示算法的性能得到明显改善。     

优良模式自学习遗传算法

遗传算法是应用比较广泛的一种随机优化算法.文中针对遗传算法在应用过程中出现的收敛慢等问题提出一种优良模式自学习遗传算法,并且在理论上对算法的收敛性进行分析.最后,通过多峰函数优化问题的仿真结果证明证了算法的实用性和有效性.     

基于免疫的多目标优化遗传算法*

提出一种基于免疫的多目标优化遗传算法.该算法模仿生物免疫系统过程,使用克隆选择算子和高斯变异算子提高了搜索效率和收敛性;创建了一个记忆细胞集来保存每代所产生的Pareto最优解,以便产生Pareto最优解集;提出一种有别于传统聚类算法的邻近排挤算法对记忆细胞集进行不断的更新及删除,保证了Pareto最优解集的分布均匀性.最后将该算法与SPEA算法分别进行了仿真,通过比较两者的收敛性和分布性,得到前者优于后者的结论.     

一种新型多目标遗传优化算法及其应用研究

文章针对一般约束多目标优化问题,在设计了新的适应度函数和选择算子的基础上,提出一种新型多目标遗传算法。将其应用于集群目标靶场效能优化问题,验证了算法的有效性。