利用遗传算法自动生成模糊控制规则的研究

利用遗传算法,依据已有的控制目标直接从实际系统或系统模型中自动生成全局最优的控制规则。在倒立摆系统中进行了仿真。最后的仿真结果,表明本文方法的可行性和有效性。     

基于模糊规则优化的改进模糊遗传算法

该文针对遗传算法的特点,提出了一种基于模糊规则优化的改进模糊遗传算法及其算法结构,即用模糊控制的方法来调整遗传算法中的交叉概率和变异概率,同时寻找与控制对象相匹配的最佳模糊规则。在数学函数上的仿真结果表明,此种模糊遗传算法不仅加快了解的收敛速度,而且大大提高了解的质量。     

一种强引导进化型遗传算法

针对遗传算法随机性过强,收敛速度慢的问题,从选择机制、交叉算子、变异算子三方面强化了对进化方向的引导,提出了“保留最优,调节中间,淘汰最差”的确定型选择策略．用基因调节加自适应变焦微调算子代替常规的交叉算子,用淘汰替代方式代替变异算子,构造出一种强化引导型遗传算法．多变量函数优化的仿真计算结果说明了该算法的有效性．     

利用基因遗传算法从数据库自动生成知识库

此文提出一种从数据库自动生成知识库的新方法。该方法从数据库到知识库的优化目标函数，利用基因遗传算法的优化手段，直接从数据库中生成性能较优的知识库。文中论述了该方法的原理与具体实现过程。     

基于自适应遗传算法的软件测试用例自动生成

在软件测试中,测试成功的关键是快速、高效的生成测试用例.遗传算法是一种通过模拟自然界生物进化过程搜寻最优解的一种算法,算法通过选择、交叉和变异操作引导算法搜索方向,逐步接近全局最优解.传统遗传算法由于具有较好的全局搜索能力,因此被很多科研人员应用于测试用例生成.但遗传算法的固有缺陷"早熟收敛",容易导致算法收敛于局部最优.针对这种情况,提出一种自适应遗传算法,该算法交叉算子和变异算子可根据程序变化自动调整,随后,将改进后的算法应用于一程序的测试用例生成中.测试结果表明该算法在测试用例生成的效率和效果方面优于传统搜索算法和普通改进算法.     

基于模糊规则优化的改进FGA算法

针对多目标遗传算法的特点，基于模糊集理论，提出一种基于模糊规则优化的改进模糊遗传算法及其算法结构，即用模糊控制的方法来调整遗传算法中的交叉概率和变异概率，同时寻找与控制对象相匹配的最佳模糊规则．在数学函数上的仿真结果表明，此种模糊遗传算法不仅加快了解的收敛速度，而且大大提高了解的质量．     

遗传算法及其应用

遗传算法是智能优化方法中应用最为广泛也最为成功的算法,在各个领域得到广泛应用。该文在介绍了遗传算法的发展历史和具体操作步骤的基础上,总结出遗传算法的特点,并对它的各个应用领域进行了详细阐述。     

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。     

嵌套式模糊自适应遗传算法

针对简单遗传算法(SGA)收敛速度慢和早熟收敛现象,将模糊逻辑理论应用于遗传算法,并采用两级嵌套的遗传算法,随主遗传算法GA1求解优化问题的进化进程用模糊控制的方法自适应地调整遗传算法的交叉概率和变异概率;利用另一个遗传算法GA2优化模糊规则库,实现了一种嵌套式模糊自适应遗传算法(NFAGA)。仿真结果表明,这种算法的全局搜索收敛速度和解的质量明显优于SGA和一般的自适应遗传算法(AGA)。     

基于遗传算法的模糊规则的生成

模糊控制是人工智能的一重要研究领域,已经在很多方面得到了应用。模糊规则是一个智能系统的核心部分,所以模糊规则自动生成的研究一直以来吸引了很多的学者。遗传算法(Genetic Algorithm,GA)是模拟达尔文的遗传选择和自然淘汰的生物进化进程的计算模型,它是一种高度并行的随机化搜索的自适应的组合优化算法。该文提出了一种利用遗传算法自动生成模糊规则的方法,因为遗传算法的全局优化能力,所以可以得到相对较为合适的模糊规则,通过仿真结果,也可以看出它确实是一种切实可行的方法。     

浅谈遗传算法的研究与发展

遗传算法因其灵活的适用性、良好的随机搜索性及潜在的并行性,在世界各国学术界受到广泛关注,且被应用在不同领域.本文描述了算法的原理、编码、运行算子并简单介绍遗传算法的起源、发展及特点.     

遗传算法交叉和变异操作的模糊优化

该文针对遗传算法存在的问题,在总结了有关交叉和变异操作的启发性知识的基础上,给出了交叉概率、交叉点位置和变异概率的模糊优化规则,提出了一种新的基于模糊控制器的遗传算法(FCGA)。对三个函数的优化结果表明:FCGA不仅能够有效克服早熟收敛,而且提高了算法的收敛速度。     

基于排序的改进自适应遗传算法

本文提出了一种改进的自适应遗传算法,其遗传算子由个体在种群中的排序位置自适应地决定,其中选择算子还引入了disruptive selection的思想.该算法能避免群体中超级个体的出现,维持了种群的多样性,加快了种群的收敛速度,克服了遗传算法早熟的现象.函数优化的结果验证了该算法的有效性.     

基于模糊遗传算法的神经模糊控制器的综合优化

针对遗传算法的特点,提出一种用模糊控制的方法来调整交叉概率和变异概率的改进模糊遗传算法及其算法结构,并将其应用于神经模糊控制器的综合优化设计。在以二阶模型为控制对象的仿真结果表明,此种模糊遗传算法不仅加快了解的收敛速度,而且大大提高了解的质量。     

遗传算法在自动组卷中的应用

自动组卷策略是利用计算机自动完成试卷生成的一种方案,整个过程的人工投入少,在很大程度上解放了教师,提高了工作效率。能否自动组出满足用户要求的试卷,与组卷使用的算法紧密相关。采用遗传算法,按照选择编码方式、产生初始种群、计算自适应函数、进行遗传操作、试卷生成的过程,可完成自动组卷操作。     

标准遗传算法的参数分析

遗传算法是一种模拟自然界生物进化过程的随机搜索算法,该文对标准遗传算法进行简要的介绍并利用C语言实现标准遗传算法对函数进行优化并根据实验数据分析了种群大小、变异概率、交叉概率对算法的影响。     

遗传算法在预测规则挖掘中的应用

讨论了遗传算法在预测规则挖掘中的应用,包括适应度函数的设计,选择、交叉算法的调整等。     

遗传算法成卷策略的编码实例

遗传算法能解决选题的盲目性,并能从群体中选择更满足条件的个体,具有很强的智能性,同时它能根据不同的环境产生不同的后代,具有动态性、自适应性,从而能满足题库不断变化的要求.由于理想题库容量大,覆盖面广,因此选题计算量大.利用遗传的内在并行性,可以有效地解决计算量大的问题,而且其搜索是从一个初始种群出发,即从多点出发,减少了陷入局部最优解的概率.遗传算法优化求解只需知道问题本身所具有的目标函数,同传统优化算法比较,它具有更强的鲁棒性.本文的大量试验亦证明了这一点.     

基于矩阵编码的遗传算法研究

分析遗传算法求解矩阵函数的局限性,提出一种基于矩阵编码的遗传算法。定义该算法的选择算子、交叉算子、变异算子,编写各算子的Matlab函数,通过仿真求解二矩阵变量函数。实例证明,该算法能确保矩阵染色体的结构完整性,提高遗传算法的速度和寻优 精度。     

基于模式定理的遗传算法交叉和变异概率上限

基于模式定理的推广形式，给出含有选择、交叉操怍遗传算法一致交叉概率的上限，以及含有选择、交叉和变异操作遗传算法单点变异和一致变异概率的上限，分折了含有联赛选择、一致交叉操作遗传算法运行前期和后期对优良模式的影响，并用8位陷阱函数验证了上述结论的正确性，该结果可用于指导遗传操作与控制参数的设计。