改进遗传算法求解VRPSTW问题

为求解物流配送过程中基于单配送中心的软时间窗车辆调度问题（VRPSTW）,本文在传统遗传算法的基础上,引入了并行计算与阶段性进化的思想,提出了求解VRPSTW问题的改进遗传算法.验证实验表明,本文提出的改进遗传算法在求解模型时快速地得到了最优解,收敛速度明显优于传统的遗传算法.     

量子遗传算法在目标分配上的应用

量子遗传算法是量子计算和遗传算法相结合的产物,量子遗传算法将量子比特和量子门表示引入到遗传算法中,具有比遗传算法更好的搜索效率和收敛性.目标分配问题是一种典型的NP难问题,传统的方法在求解此问题时很容易陷入局部最优.本文利用量子遗传算有效地解决了目标分配最优化的问题,数值模拟表明量子遗传算法在该类问题中具有效性和可行性.     

时间序列预测及在汇率市场中的应用

遗传编程(GP)和基因表达式编程(GEP)是在遗传算法的基础上发展而来的遗传算法的新分支,它在个体的表示、个体的处理和结果的形式等方面与传统遗传算法有着显著的区别和优势.本文针对汇率市场对象的特点,分别研究了用遗传算法,遗传编程,基因表达式编程进行预测,取得了满意的效果.     

云计算环境中优化遗传算法的资源调度策略

资源调度是云计算的核心问题,传统遗传算法(GA)、Sufferage算法等都可以用于云计算环境中的资源调度,但传统遗传算法存在收敛慢、易早熟等缺点,Sufferage算法则不适用于多聚类环境的密集型任务调度.本文在充分考虑云计算环境的动态异构性和大规模任务处理特性的基础上,提出了一种基于染色体编码方式和适应度函数的改进遗传算法(IGA),并在云仿真器CloudSim上对3种算法进行了仿真.仿真结果表明,该算法在性能和服务质量QoS(Qualityof Service)方面都优于传统遗传算法和Sufferage,能更好地适用于大规模任务下的云计算环境资源调度.     

基于免疫算法的电子渠道软件测试用例生成

提出了一种基于免疫遗传算法的电子渠道软件测试用例生成模型,并介绍了免疫遗传算法的基本思想.通过将免疫遗传算法与传统遗传算法和随机算法在电子渠道软件测试用例生成中的比较,说明了免疫遗传算法的效率明显高于传统遗传算法和随机算法,同时也进一步验证了模型的正确性、可行性.     

选煤厂配煤调度中的云模型改进遗传算法

针对传统遗传算法求解最优值存在搜索速度慢、容易陷入局部最优解的问题,基于传统遗传算法和云模型,提出了云自适应遗传算法和云遗传算法,建立了选煤厂三产品配煤调度模型,并分别采用改进算法和传统遗传算法求解。实例表明,两种改进算法优于传统遗传算法,为选煤厂配煤调度优化提供了技术途径。     

基于生态遗传算法的冲击地压预测模型

针对传统方法预测冲击地压存在的弊端,采用遗传算法设计的模糊神经网络做为预测模型,为避免传统遗传算法"早熟"问题而使用生态遗传算法对该模糊神经网络进行训练,选择Matlab7.01在PC机上实现该网络模型,并比较BP算法、传统遗传算法以及生态遗传算法这三种算法所训练的网络性能.仿真和实验结果显示生态遗传算法使网络具有良好的收敛性能,提高了冲击地压预测的准确性.     

基于免疫算法的电子商城软件系统测试用例生成

本文提出了一种基于免疫遗传算法（Immune Genetic Algorithm,简称IGA）的电子商城软件测试用例生成模型（Model ofTest Case Generation of EM Software,简称MTCGES）,并详细地介绍了IGA算法的基本思想。通过将IGA算法与传统遗传算法和随机算法在电子商城软件测试用例生成中的比较,说明了IGA算法的效率明显高于传统遗传算法和随机算法,同时也进一步验证了模型的正确性、可行性。     

一种基于改进遗传算法的文本特征选择方法

文本特征选择对提高文本分类的速度和准确率，改善网络信息过滤效果至关重要．把特征选择看作优化组合问题，提出用遗传算法进行文本特征选择．传统遗传算法适应性较差，本文对传统遗传算法交叉概率、变异概率、更新策略等重要参数和关键环节作了改进，实验验证了该算法的有效性．     

蚁群算法与遗传算法在TSP中的对比研究

本文首先论述了求解TSP的基本原理,建立了TSP的数学模型,应用Matlab对传统蚁群算法和传统遗传算法求解TSP进行了对比研究.实验结果表明,当城市个数较少,距离较近时,蚁群算法和遗传算法均能找到最优解,且蚁群算法收敛速度快.当城市个数较多且距离较远时,运用本文中的算法,蚁群算法仍然能找到最优解,而遗传算法没有最优解.     

基于遗传算法优化多出口疏散路径问题

提出了一种基于遗传算法来优化疏散路径问题的方法．首先将疏散路径图转换为等价的距离完全图,将目标点、源点和中间点分离,随机选取中间点构造最小生成树,最终用遗传算法得到最优路径．通过数值实验,验证了算法的有效性,并与传统方法进行了比较．     

基于进化逆转操作算子的遗传算法对步进式加热炉炉温优化

针对传统遗传算法对炉温进行优化设定时易陷入局部极小值,较难快速稳定地找到最优炉温值的缺点,引入逆转算子对遗传算法进行改进,使算法的每一代都能从父代继承更多的基因。从而提高算法的局部搜索能力。改进后的算法可以跳出局部极小值,快速稳定地寻找到最优炉温值,进而对加热炉炉温进行优化设定。大量的Matlab仿真结果表明,该改进算法具备可行性与有效性。     

基于遗传算法的项目管理优化仿真研究

传统的项目进度一维优化扩展至有偏好的二维目标(进度、成本)优化,同时将成本优化目标分解为项目成本大小以及资源均衡度从而构成三维目标优化,将无资源约束的环境扩展至资源约束下的复杂环境,将局部搜索优化领域扩展至全局范围内的优化.在内容上,先对项目的单目标优化管理理论进行详尽研究并指出其现实的局限性,同时提出了智能启化式方法-遗传算法在资源约束下项目管理优化方面的优势.在此基础上本文构建了基于三维目标偏好的项目管理优化仿真模型,解决了项目管理优化理论中最为重要的两大问题:资源约束下的项目进度优化以及资源约束下的三维目标(项目进度、项目成本以及资源均衡度)的优化问题.为了验证此模型对以上问题的有效性,本文应用Matlab仿真技术进行仿真模拟并与传统方法做比较,从结果可以看出遗传算法能够更好的解决此类问题.     

一种连续探索型遗传算法的设计与应用

提出了一种连续探索型遗传算法，它不仅能提高简单遗传算法的收敛速度，而且能有效地保证种群的多样性，并在全局范围内搜索解空间，得到最优解。将算法应用于多峰值函数的优化，仿真表明了该算法的有效性和效率性。     

基于IGA的多层神经网络BP算法及在系统辨识中的应用

本文针对用GA训练NN权值时 ,花费的代价随精度的提高而剧烈增加的缺陷 ,提出了一种利用IGA较强的全局搜索能力和IBPA较强的局部搜索能力的结合算法 ;先利用IGA优化多层前馈神经网络的权值 ,然后再用IBPA提高搜索精度 ,有效地避免了IBPA易陷入局部极小点和IGA过早收敛的缺点 ,实验结果表明 ,此算法是有效的     

遗传算法研究综述

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。本文介绍了有关遗传算法理论的研究现状,包括:编码方式、遗传算子、适应度函数以及常用混合遗传算法,指出了遗传算法的研究方向。     

使用BP算法时应考虑的若干问题

归纳总结了使用ＢＰ算法时可能涉及到的问题和一些技巧。尤其对学习方法的选择、隐居数和隐层单元数的选择、学习步长的选择、避免局部最小的方法、学习样本的选择、激活函数的选择等都作了详细的介绍。     

基于改进遗传算法的模糊聚类研究及应用

模糊C-均值聚类算法是一种局部搜索算法,采用迭代的爬山技术,对初值敏感易陷入局部最小值。遗传算法是一种全局优化算法,能够克服模糊C-均值聚类算法陷入局部最小值的问题,但遗传算法收敛速度慢,易早熟。应用小生境思想对遗传算法进行了改进,以保护种群中基因的多样性,设计了基于最短距离的算术交叉算子、边界变异算子及双精英种子参与进化的策略。仿真实验结果表明,改进后的算法能够提高模糊聚类的收敛速度和聚类质量。     

基于遗传算法的复杂平面曲线轮廓度误差评定

针对不规则曲线轮廓度误差评定中存在的问题,提出了一种基于非均匀有理B样条(NURBS)插值与遗传算法相结合的复杂曲线轮廓度评定方法,对离散数据点表示的理论轮廓进行3次NURBS插值反算控制点,建立了理论轮廓曲线的数学模型;采用实数编码的遗传算法求解测量点与理论轮廓曲线位置偏差,消除了由于位置偏差引起的轮廓度评定的不精确问题;阐述了测量点到理论轮廓最短距离的求解算法和步骤。实验结果表明该方法能够快速获得较好的误差评定结果。     

一种应用小数编码GA算法的MIMO天线选择方法

针对多输入多输出（MIMO）技术传统遗传算法（GA）的天线选择在进行遗传运算操作时,会遇到二进制染色体编码与选择天线数不匹配的问题,提出了一种用小数编码的GA遗传算法用于MIMO天线选择,所提方法可以有效解决传统GA在遗传操作上的问题,并具有较低的复杂度。