一种改进的遗传算法及其在系统辨识中的应用

提出一种基于遗传算法的大惯性系统辨识方法。该方法将动态补偿和遗传算法相结合 ,实现了系统的参数辨识。为避免遗传早熟而进入局部最优 ,对交换和变异操作进行了改进 ,提出一种防止近亲繁殖的交换策略 ,在不明显增加基因操作计算量的前提下 ,有效地避免了基因缺失。仿真结果表明 ,该方法对过阻尼系统的辨识是有效的。     

一种改进的遗传算法及其在组卷系统中的应用

针对遗传算法容易出现早熟和收敛速度慢的问题,根据群体适应值分布的变化特点,提出一种新启发性的基于小生境技术的自适应遗传算法(ANGA).其基本思想是:根据群体中各个个体的适应值分布情况加以启发,引入一个自适应的常数Cmin,通过自适应调整Cmin以适时改变群体适应值的分布,优化了各个个体被选择的概率,并以目前的计算机等级考试三级信息管理技术的组卷为例,采用ANGA算法进行了仿真计算.仿真结果表明,该算法能够在较短的时间内完成组卷,组卷效率、成功率高,对初值不敏感.     

一种基于并行遗传算法的非线性系统辨识方法

结合并行算法的运算能力和遗传算法的搜索能力，提出一种基于并行遗传算法的非线性系统辨识方法。其特点是通过并行遗传算法实现对RBF神经网络极值、宽度和中心位置等有关参数的估计，其速度快、精度高，从而通过RBF神经网络有效地完成了对非线性系统的辨识。最后给出了仿真结果，证实了该方法的有效性。     

基于遗传算法的系统在线辨识

首先介绍了一种基于自然选择和自然遗传学机理的全局搜索学习算法－遗传算法，并讨论了它在系统在线辨识中的实现，仿真表明，遗传算法能在线辨识时滞并收敛到全局最优。     

一类非线性系统辨识的参数空间优化遗传算法

提出一种用于非线性系统辨识的具有较强参数空间优化能力的遗传算法,给出一种新的复合型变异算子,并设计相应的选择策略,较好解决了非线性系统辨识中的“维数灾难”问题。实验研究结果表明,该方法具有较高的精度和鲁棒性。     

一种改进遗传算法在生产车间设备布局中的应用

生产系统的设备布局设计是一个组合优化的问题。具有非线性,N P难等特性,常规方法较难以求解。文章通过创建生产系统设备布局的数学优化模型。引入了小生境技术,保持了种群的多样性。并且利用精英选择机制,自适应交叉和变异概率等手段,在使种群保持多样化的同时,增强了算法的全局和局部搜索能力,协调了遗传算法大范围粗糙搜索和小范围精细搜索之间的平衡,有效改善了早熟和过早收敛问题,并通过实例验证了其有效性。     

一种基于遗传算法与进化编程的系统辨识方法

分析比较了遗传算法（GA）和进化编码（EP）在解决系统辨识问题中的优劣，提出一种将GA和EP相结合的新的系统辨识方法，该方法既不依赖于种群的初始值，又具有较强的稳定性。仿真结果表明了该方法的有效性和独到之处。     

一种改进的自适应遗传算法的收敛性分析

针对目前遗传算法缺乏有效的分析工具,理论分析困难较大的问题,提出了一种基于压缩映射原理的收敛性分析方法。首先,讨论了遗传算法收敛性的2种定义。然后介绍了一种基于精英保留策略的改进的自适应遗传算法,作为收敛性分析的对象。介绍了压缩映射原理,作为收敛性分析工具。最后,应用该定理对改进的自适应遗传算法进行了收敛性分析,验证了该算法是收敛的,证明压缩映射原理是遗传算法收敛性分析的一种有效工具。     

遗传算法在T-S模糊模型参数辨识中的应用

介绍了T-S模糊模型的建模过程,在现有T-S模糊模型参数辨识方法的基础上,提出了一种先应用最小二乘法对结论参数进行粗略辨识,以确定参数的大致范围之后,再应用遗传算法对前提参数和结论参数同时优化的参数辨识方法。通过MATLAB对本算法进行了仿真,并对非线性函数进行了逼近实验,所取得的结果令人满意。     

一种新型的动态FLNN及其在系统辨识中的应用

本文介绍了一种新型的人工神经网络的改进,并把它运用于非线性系统的辨识中。这种新型的网络就是带有内部动态元的FLNN（Functional-Link Neural Network）,其中内部动态元分别由带有局部激活反馈和局部输出反馈的自回归滑动平均滤波器构成。其具体的动态网络参数寻优由遗传算法来决定。仿真结果表明,把这种改善了的FLNN与原有的外部带动态元的FLNN分别应用于系统辨识中,前者具有更好的泛化能力和鲁棒性。     

对于测试用例生成的遗传算法改进

软件测试技术中,高效的测试用例生成能够大幅简化测试工作,提高测试效率,节省软件开发成本. 遗传算法作为一种高效的搜索寻优算法已被广泛应用到测试用例自动生成的研究中,然而传统的遗传算法虽然具有良好的全局搜索能力,但对于局部空间的求精问题却不是很有效,存在早熟问题. 针对这些问题,结合禁忌搜索算法,对传统的遗传算法在适应度函数、遗传算子方面进行改进,并进行遗传导向控制,能够有效控制遗传早熟问题,提高遗传算法的局部寻优能力. 实验结果表明,本文所建议的方法在测试用例生成的效率和效果方面均优于基于传统遗传算法的测试用例方法.     

利用改进遗传算法的参数估计

基于极大似然法的参数估计实质上是一个复杂的非线性优化问题,传统的优化方法计算效率较低且容易陷入局部极值。而遗传算法是一种有导向的随机搜索方法,能以较大的概率收敛到全局最优解。本文将单纯形法引入到并行遗传算法中,提出了一种改进的遗传算法,可以有效地提高算法的收敛速度、防止搜索过程中的早熟现象。应用于系统初始状态未知时的参数估计问题,获得了满意的结果。     

一种改进的变焦遗传算法

提出一种新的变焦遗传算法,在保持串长不变的条件下,大幅度缩小搜索区间,明显提高了遗传算法的收敛速度和解的精度.本文提出的方法对大范围、高精度情况尤其适合.仿真结果说明了算法的有效 性.􀁽     

一种改进的遗传规划算法

遗传规划的实质是用广义的层次化计算机程序描述问题．比较适合于求解一类由于各种不确定因素导致的复杂非线性问题。该文采用了一种改进的遗传规划算法,建立了相应的预测模型,将其与Weka里的GP算法在标准数据集上进行对比测试,结果表明该改进的遗传规划算法是有效的、可行的。     

一种改进的实数编码遗传算法

针对实数编码在进行数值优化时固有的过早收敛、停滞现象和弱的爬山能力等缺点,通过设计不同的交叉、变异算子,提出了一种改进的实数编码的遗传算法。数值实验显示,该算法在函数优化问题上取得了较满意的效果。     

一种改进的自适应遗传算法

为了提高遗传算法的搜索效率，引进了父子竞争机制，采取一多点交叉操作技术，提出了一种改进的自适应遗传算法，并通过一个多元多峰数学函数对最佳个体保留遗传算法(Elitist-Reserved GA，EGA)、自适应遗传算法(Adaptive GA，AGA)以及文中提出的改进算法(Multi-point Crossover Adaptive GA，MAGA)进行比较评估，验证了该方法的合理性和可靠性。     

一种改进的自适应遗传算法

遗传算法作为一种模仿生物自然进化过程的随机优化算法,对求解一般的全局最优问题具有较好的鲁棒性,而对于解决较复杂的优化问题则存在早熟及稳定性差的缺点。传统的自适应遗传算法虽能有效提高算法的收敛速度,却难以增强算法的鲁棒性。该文提出了一种改进的自适应遗传算法,对交叉率和变异率进行了优化,实现了交叉率和变异率的非线性自适应调整。实验结果表明,相比传统的自适应遗传算法,新算法具有更快的收敛速度和更可靠的稳定性。     

一种改进的自适应遗传算法

为了提高遗传算法的搜索效率,引进了父子竞争机制,采取一多点交叉操作技术,提出了一种改进的自适应遗传算法,并通过一个多元多峰数学函数对最佳个体保留遗传算法(Elitist-Reserved GA, EGA)、自适应遗传算法(Adaptive GA, AGA)以及文中提出的改进算法(Multi-point Crossover Adaptive GA,MAGA)进行比较评估,验证了该方法的合理性和可靠性.     

基于改进遗传算法的线性离散系统辨识

介绍了一种基于遗传算法辨识线性离散系统参数的方法，为了提高算法的优化能力，将基率遗传算法和梯度法结合起来。仿真结果表明．改进的遗传算法辨识系统参数收敛到全局最优．且速度快，精度高．鲁棒性强。     

一种改进的遗传K－均值聚类算法

文章提出一种基于改进遗传算法的K－均值聚类算法。主要对算法遗传算子进行改进：交叉操作通过交换两条染色体问的聚类中心进行重组,将一次K－均值方法当作变异操作,并加入跨世代精英选择机制。通过实验证明：该算法比传统的K－均值算法具有较好的性能,同时比其他基于遗传算法的K－均值算法具有更高的效率且更适用于规模较大的数据集。