单亲遗传算法及其全局收敛性分析

序号编码的遗传算法(GA)不能在两条染色体的任意位置进行交叉,必须使用 PMX,CX和OX等特殊的交叉算子,而这些交叉算子实施起来都很麻烦.针对序号编码GA 的上述不足,提出一种单亲遗传算法(PGA).PGA采用序号编码,不使用交叉算子,而代之以 隐含序号编码GA交叉算子功能的基因换位等遗传算子,简化了遗传操作,并且不要求初始 群体具有多样性,也不存在"早熟收敛"问题.仿真结果验证了这种算法的有效性.  

遗传算法在优化问题中的应用研究进展

分析了传统优化方法的局限性，阐述了遗传算法的基本思想和特点，综述了遗传算法在函数优化领域的主要成果，并指出需要进一步研究的工作。  

蚁群算法求解连续空间优化问题的一种方法

针对蚁群算法不太适合求解连续性优化问题的缺陷,提出用蚁群算法求解连续空间优化问题的一种方法.该方法将解空间划分成若干子域,在蚁群算法的每一次迭代中,首先根据信息量求出解所在的子域,然后在该子域内已有的解中确定解的具体值.以非线性规划问题为例所进行的计算结果表明,该方法比使用模拟退火算法、遗传算法具有更好的收敛速度.  

遗传算法的现状及发展动向

遗传算法在许多优化问题中都有成功的应用，但其本身也存在一些不足．如何改善遗 传算法的搜索能力和提高算法的收敛速度，使其更好地解决实际问题，是各国学者一直探索 的主要课题之一．本文综述了遗传算法中编码表示、适应度函数、选择策略、控制参数和遗 传算子等方面的各种改进措施，并给出了遗传算法的发展动向．  

遗传算法研究进展*

对遗传算法编码策略、遗传算子、参数确定、收敛性、欺骗问题等理论在国内外的研究现状进行了系统的研究,并对遗传算法在国内外的研究进展和新的应用领域进行了讨论;最后,通过对近几年研究文献的统计分析,探讨了遗传算法的研究热点和发展方向。  

一种启发式遗传算法及其在最短路径求取中的应用

对经典的遗传算子（选择算子，交叉算子和变异算子）进行重新设计，提出了一种启发式遗传算法，它能够根据种群的进化情况，动态地调整遗传算法，维持种群的多样性，克服过早收敛并加快了搜索速度，得到高品质解，将算法用于最短路径求取中，仿真结果证实是合理而有效的。  

自适应遗传算法的改进与应用

针对遗传算法易出现早熟现象，通过对标准遗传算法和自适应遗传算法的分析研究，本文对自适应遗传算法进行了改进。即在保留以往自适应遗传算法优点的同时，设计了与种群个体分布及种群规模的波动情况相关的自适应遗传算子。实验结果表明：该算法不易陷入局部极值，收敛速度快。  

单亲遗传算法图式定理的进一步分析

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。  

基于遗传算法的车间作业调度问题求解

文章提出了一个求解车间作业高度问题的完备的、强壮的遗传算法。在分析车间作业调度问题的数学模型的基础上，给出了：（1）采用分段结构的染色体编码思想；（2）生成可行调度的算法；（3）计算调度目标函数的算法；（4）三种遗传算子及其辅助算子－修正算子的设计。最后，通过仿真验证了算法的有效性和稳定性。  

A genetic algorithm for the optimisation of assembly sequences

This paper describes a Genetic Algorithm (GA) designed to optimise the Assembly Sequence Planning Problem (ASPP), an extremely diverse, large scale and highly constrained combinatorial problem. The modelling of the ASPP problem, which has to be able to encode any industrial-size product with realistic constraints, and the GA have been designed to accommodate any type of assembly plan and component. A number of specific modelling issues necessary for understanding the manner in which the algorithm works and how it relates to real-life problems, are succinctly presented, as they have to be taken into account/adapted/solved prior to Solving and Optimising (S/O) the problem. The GA has a classical structure but modified genetic operators, to avoid the combinatorial explosion. It works only with feasible assembly sequences and has the ability to search the entire solution space of full-scale, unabridged problems of industrial size. A case study illustrates the application of the proposed GA for a 25-components product.