遗传算法求解TSP的进化策略

本文提出用遗传算法（ＧＡ）求解旅行商问题（ＴＳＰ）的一整套进化策略，包括染色体的编码、反向运算、循环运算、交换运算．其中除反向运算外，均与通常的ＧＡ算法所采用的策略不同．文中解释了它们的几何意义．用该算法求解中国３１个城市的ＴＳＰ问题得到了１５４０４公里的新的路径长度．计算结果表明整个算法是有效的     

前向网络的两种混合学习策略

针对前向网络反向传播算法（ＢＰ）训练缓慢和易于陷入局部极小的缺点以及反向运算的复杂性,利用ＢＰ算法监督学习特点、模拟退火（ＳＡ）算法在局部极小处的概率突跳特性和遗传算法（ＧＡ）的并行化群体搜索的特点,有效结合ＢＰ和ＳＡ算法以及ＧＡ和ＳＡ算法,提出了前向网络的两种混合学习策略即ＢＰ＆ＳＡ混合策略和ＧＡ＆ＳＡ混合策略。以异或问题为例,通过计算机仿真对混合策略与ＢＰ、改进ＢＰ算法的比较表明混合学习策略较大程度改进了前向网络学习的收敛性能和收敛速度,并一定程度上避免了反向运算的复杂性,是前向神经网络学习的有效算法。     

解平面四杆机构约束优化问题的改进遗传算法

以平面四杆机构约束优化设计这一实际问题为背景,针对传统遗传算法（ＧＡ）存在的问题,提出了一种新的将柯西机（ＣＭ）和遗传算法相结合的改进遗传算法（ＭＧＡ）,数值计算结果表明,该算法避免了ＧＡ算法中的早熟收敛问题,可获得上机构参数优化问题的最优解,并且还具有收敛速度快等特点。     

多资源约束的GTLS问题的遗传算法

成组单元环境下的生产批量计划问题成组批量计划问题（ＧＴＬＳ）对带有多能力约束的ＧＴＬＳ构造了遗传算法和线性规划混合算法进行求解，能够获得问题的近优解，仿真和计算结果表明了算法的有效性。     

MADALINES人工神经网络及快速学习算法研究

在研究ＭＡＤＡＬＩＮＥＳ人工神经网络中心差梯度学习算法（ＣＤＧ）的基础上，提出了一种加速中心梯度学习算法（ＳＣＤＧ），给出了该算法收敛性的证明，在计算机上模拟实现了ＳＣＤＧ算法且分析了实验结果，理论分析与实验均表明，ＳＣＤＧ算法较之传统的ＣＤＧ算法，收敛速度提高了二个数量级以上。     

寻找非线性电阻电路全解集的 GA-HPNN 方法

利用群集遗传算法（ＮＩＣＨＥＤＧＡ,简称ＮＧＡ）中群集原理,提出了一种群集消除的思想。利用该思想可将多最大值最优化问题转化为满足群集消除条件的序贯最优化问题。利用非线性电阻电路方程组解与相应的最优化问题解的等价性,可将求取非线性电阻电路全解集的问题转化为满足群集消除条件的最优化问题。遗传算法和Ｈｏｐｆｉｅｌｄ神经网络组合算法（ＧＡ－ＨＰＮＮ）结合了遗传算法（ＧＡ）的全局寻优与Ｈｏｐｆｉｅｌｄ神经网络局部寻优特点,能以较高的精度与速度得到非线性电阻电路的全解集。算法的普适性较强。     

NARMAX模型辨识的直交化最小二乘新算法

基于实际中常用的ＣＧＳ（ＣｌａｓｓｉｃａｌＧｒａｍ－Ｓｃｈｍｉｄｔ）、ＭＧＳ（ＭｏｄｉｆｉｅｄＧｒａｍ－Ｓｃｈｍｉｄｔ）、ＨＴ（ＨｏｕｓｅｈｏｌｄｅｒＴｒａｎｓｆｏｒｍａｔｉｏｎ）及Ｇｉｖｅｎｓ算法，给出了１类改进的直交化最小二乘新算法，分别称之为改进的ＣＧＳ、ＭＧＳ、ＭＨＴ及ＭＧＶ算法，改善了原算法的数值稳定性．将改进算法用于非线性ＮＡＲＭＡＸ模型辨识，构造出了１种新的模型结构与参数辨识的一体化算法．新算法基于逐步回归进行模型选项并消去模型中的冗余项，保证了最终模型的结构优化，并可给出比Ｂｉｌｉｎｇｓ等算法精度更高的参数估计．仿真结果证明了文章中算法的优越性     

异构计算系统的表调度式任务映射与调度算法

研究了在异构计算系统（ＨＣＳ）中利用表调度式算法进行任务映射与调度．给出两种异构静态优先级表调度式任务映射算法（ＨＳＰ和ＧＨＳＰ）,以及一种异构动态优先级表调度式任务映射算法（ＢＨＤＰ）．实验结果表明,ＧＨＳＰ算法对于粗中粒度ＤＡＧ的调度效果稍好于ＨＳＰ算法,而ＢＨＤＰ算法对于粗粒度和细粒度ＤＡＧ的调度效果均明显优于ＨＳＰ和ＧＨＳＰ算法．     

混合遗传算法的收敛性研究

近年来,一种新的优化算法－－遗传算法（ＧＡ）正迅速发展成为一个十分活跃的研究领域。ＧＡ以其高效、实用的特点在各个领域得到广泛的应用,取得了良好的效果,并越来越受到人们的重视,由于ＧＡ存在过早收敛的问题。本文提出了克服此问题的混合遗传算法（ＨＧＡ）,并用Ｍａｒｋｏｖ链理论证明了ＨＧＡ的收敛性。     

GA-ANN算法在产品质量估计中的应用

针对反向传播（ＢＰ）算法,径向基函数（ＲＢＦ）算法的不足,提出了基于遗传算法（ＧＡ）确定神经网络构或权值的进化神经网络算法（简称ＧＡ－ＡＮＮ算法）。在产品质量估计仿真研究中表明,该算法不需试凑而取得较好的网络结构和参数。     

退火-遗传算法寻优及其实现

分析了遗传算法及退火算法的优缺点，提出用退火算法改进遗传算法局部的最优值搜索效率低问题。退火算法与遗传算法融合后，使算法在寻优结果上更加迅速精确。通过水泥的配比工程实例，与单纯的遗传算法的结果进行对比，说明该方法是有效的。     

分组量子遗传算法及其应用

量子遗传算法是一种高效的并行算法，但它易陷入局部极值。提出一种分组量子遗传算法，通过分层、分组等方法，保证了染色体的多样性。典型函数测试结果表明，分组量子遗传算法具有全局最优性，其性能优于其它几种遗传算法和QGA。     

基于数据处理分组法(GMDH)的遗传选择算法与数据挖掘克隆技术

数据处理分组法(GMDH)的多层算法(MIA)是通过利用遗传算法的选择程序来实现的,该算法包含了为获取更少误差而生成的最优神经元的克隆操作.选择程序根据适应度以及网络输入的某种概率从已有的神经元中为新神经元寻找父代.克隆实质是对最优神经元的克隆体参数进行稍微调整.从机器学习库选出实验结果表明,通过克隆操作进行基因改造后的GMDH网络表现得比其它方法优越.     

基于位变异的模式遗传算法

针对简单遗传算法容易陷入局部最优点的问题,提出了一种基于位变异的模式遗传算法,并利用典型应用函数进行计算测试,结果表明该算法可有效地提高全局搜索能力,较好地解决早熟问题。     

用混合遗传算法实现神经网络快速训练

快速神经网络训练算法的研究是人们所关注的问题之一。经过分析与研究 ,遗传算法是一种全局并行随机搜索优化算法 ,具有很强的全局搜索能力 ,而 BP算法的局部搜索能力较强。文章将两者结合起来 ,形成一种混合遗传算法 ,并就混合遗传算法的原理及其在实现时所涉及到的许多策略问题进行了分析比较 ,仿真结果表明它具有收敛速度快和不会陷入局部极小的特点。     

解0-1背包问题的遗传算法及其改进

遗传算法是一种基于自然选择和遗传机制的搜索算法.讨论了用其解决著名的0-1背包问题,尝试混合使用一点杂交与多点杂交以及将传统的算法与遗传算法相结合的方法,对经典遗传算法进行改进,并在实验中获得了对于问题的更佳近似解.     

结构优化设计中的组合遗传算法

针对标准遗传算法存在的早熟收敛、随机振荡和收敛速度慢等缺陷,采取改进措施.利用混沌序列的随机遍历性生成初始种群,并把相对差商算法的优化解加入到初始种群中,改善初始种群的性能.采用适应度的指数尺度变换改进传统的适应度评价函数.相对差商算法局部搜索能力强,而遗传算法具有较强的全局搜索性,发挥两者的优势,提出组合遗传算法.把相对差商算法作为一个与选择、交叉、变异平行的遗传算子嵌入到改进遗传算法中,提高局部寻优能力,防止早熟收敛.通过十杆平面桁架的数值算例来验证组合遗传算法应用的可行性和有效性,组合遗传算法的优化结果也远好于标准遗传算法和改进遗传算法.     

混合遗传算法求解0-1背包问题尝试

遗传算法是一种基于自然选择和遗传机制的搜索算法．为解决著名的0-1背包问题，尝试混合使用一点杂交与多点杂交以及将传统的算法与遗传算法相结合的方法，对经典遗传算法进行改进，并在实验中获得了更佳近似解．     

遗传退火进化算法在背包问题中的应用

从增强算法收敛性和减少参数依赖性的角度出发，提出应用遗传退火进化算法求解背包问题，遗传退火进化算法结合了遗传算法和模拟退火算法的优点，并有效地克服了各自的弱点，使其在优化性能、优化效率和可靠性方面具有明显的优越性．阐明了用该算法求解背包问题的具体实现过程，并通过实际数值计算和结果比较表明，该算法优于遗传算法和模拟退火算法．     

网格下基于并行混合GA的复杂函数优化算法

为了解决传统单一GA在解决复杂函数优化时容易陷入局部最优的问题,文中结合模拟退火和网格服务的思想提出了网格下基于并行混合GA的复杂函数优化算法CDOPHGA-Grid。通过比较仿真试验表明:CDOPHGA-Grid算法的收敛速度随着网格节点个数的增加而增加;在相同情况下,CDOPHGA-Grid算法比传统单一的GA的收敛速度提高了约60倍。