自调整非线性遗传算法

通过对简单遗传算法的理论分析，得出了复制、杂交、变异等算子的每次作用均相当于对所作用的个体进行一次线性变换。因此，通过对传统遗传算子进行修改，作者提出了非线性遗传算法。本文发现规范化操作对算法的计算效率有很大的影响，并且给出各遗传算子的一种等价线性表示。因此，如果针对不同的优化问题动态的进行规范化操作及遗传算子的选择，将会大大提高算法的效率。本文提出一种新的自调整非线性遗传算法(Self—Ajusting Nonlinear Genetic Algorithm,SANGA)，该算法通过规范化操作的动态选择，结合简单的遗传算子，对算法的效率有很大的提高。仿真结果表明该算法的有效性。     

基于Elmore模型的Steiner树问题的求解

建立了一种求解基于Elmore延迟模型的Steiner树问题的遗传算法。针对Steiner树问题的特点,在引入一种新的具有自适应性的杂交概率和变异概率的基础上,提出了面向Steinet树问题的遺传算法和一种构造染色体的新方法。提供了遗传算法的结构并讨论了遗传算子。分析了基于时间和空间的算法复杂性。     

遗传算法和遗传规划对比研究

通过对遗传算法定向搜索机制和遗传规划搜索机制的研究比较，可以看出，依据遗传算法的基本思想设计遗传规划的进化算子时，由于算子空间过大而导致盲目搜索。通过对遗传规划的研究，提出了一套有定向机制的进化算子，进而设计和实现了基于这一套算子的遗传规划算法。     

一种基于对偶与逆序组合算子的遗传算法

针对遗传算法易陷入局部最优的问题,模拟生物基因的对偶性和有序性,提出对偶与逆序组合算子,与具有良好全局搜索模式的遗传算子优化组合应用,构造了一种基于对偶与逆序组合算子的遗传算法.从理论上证明了算法的收敛性.仿真实验表明,该算法具有更好的寻优性能,对应用串型编码遗传算法解决非线性优化问题有很好的借鉴意义.     

改进二进制编码变异策略研究

由于是一种随机优化方法，标准遗传算法存在着一些不足之处，如局部搜索能力差，寻优精度不高，存在早熟收敛等。为了解决这些问题，提出了一种基于二进制编码基因住的变异策略，对编码串中的各个基因住赋予不同的变异率：在进化初期，赋予个体的高位基因以较大的杂交率，这样可以搜索到更大的解空间，提高算法的全局搜索能力；在进化后期已逼近最优解时，降低高住基因的变异率，减小较优个体被破坏的概率，同时提高低位基因的变异率，增强算法在局部范围的搜索能力。优化实例仿真结果表明，同标准遗传算法相比，改进算法具有寻优精度高，稳定性好，收敛性强等优点。     

用于神经网络直接逆控制的连续空间遗传算法

为解决神经网络直接逆控制中训练样本的获取问题 ,提出了一种神经控制器的设计方法。通过对连续空间遗传算法的编码和遗传算子进行适当改进 ,采用保留精英的线性排序选择 ,避免成熟前收敛 ,并给出算术交叉算子和乘法变异算子 ,使算法同时具有好的搜索精度和搜索效率 ;然后采用这种改进的遗传算法对非线性动态系统的控制进行优化 ,获得了基于一定性能指标的期望的状态轨迹及相应的最优控制序列 ,并以此训练神经网络控制器。最后给出了以同步机为控制对象的仿真结果。     

采用改进遗传算法解决TDOA定位估计中的非线性优化问题

提出了当接收端在空间随机分布时 ,利用改进遗传算法解决TDOA定位估计中遇到的非线性最优化问题。采用浮点数编码遗传算法 ,引入一个非均匀变异算子 ,针对TDOA方式进行最佳坐标搜索。实验表明 ,在保证种群数量的情况下 ,该算法性能稳定 ,能找到逼近全局最优点的解 ,相对于其它算法精度更高     

遗传算法在股票短期投资决策中的运用

针对传统投资分析方法的局限性和一定程度的片面性 ,提出将遗传算法运用于股票短期投资分析 ,具体解释了染色体、适应值等参数在股市分析中的实际意义 ,并设计了选择、杂交、变异算子的使用方案 ,同时改进了算法——提出“伸展算子”.最后以上海股票市场为例 ,进行实证研究 ,通过实验数据和结果的分析 ,说明算法的有效性 .     

遗传算法在离散变量优化问题中的应用研究

针对实际应用中大量存在的离散变量优化设计问题,研究了利用一般连续变量方法进行离散变量优化设计的不足。结合离散变量优化问题与遗传算法的特点,提出离散交叉算子和离散变异算子,使遗传算子真正在离散空间中进行搜索。基于线性搜索思想提出离散引导算子以提高遗传算法的局部寻优能力,将种群逐步向离散极值点进行引导,实现算法的快速离散寻优。通过对两个实际离散变量优化设计问题的应用研究,验证了本方法解决离散变量优化设计问题的有效性。     

基于混沌遗传算法的一类非线性两层混合整数规划问题求解

针对一类非线性两层混合整数规划问题,选取一种混沌性较强的自映射,通过引入混沌遗传动态组合系数的概念并在改进相应遗传算子的基础上,设计了一种新型的混沌遗传算法。数值实例结果表明,该算法简便、有效。     

基于最大模糊熵原理的多阈值图像分割新算法

基于最大模糊熵准则,提出了一种新的多阈值图像分割算法。该算法通过定义一种简单的线性模糊隶属度函数,将图像模糊划分为若干个不同的区域;同时采用自适应遗传算法搜索最大模糊熵准则下图像的一组最佳分割阈值,并对遗传算法中的编码方式及交叉算子、变异算子进行了一些有益的改进,极大地减少了计算量和存储空间,加快了算法的搜索速度。通过仿真实验证明该算法对复杂图像良好的分割效果和较强的实时处理能力。     

针对FJSP的新型邻域搜索算法及其应用

针对柔性作业车间调度问题提出两种新颖的邻域搜索方法：极值优化邻域和扩展的关键块邻域,并将其结合形成搜索范围广、寻优能力强的复合邻域;以复合邻域为基础,构造改进的遗传算法,使之兼具广阔的全局搜索能力和深刻的局部搜索能力。另外,算法采用较新颖的两级编码方式,使得对于工序排序编码和机器分配编码两部分可采用相同或相近的遗传算子进行运算,提高运算效率。对算例的测试结果及与其他算法的比较验证了本文算法的有效性。     

遗传算法在有时间窗车辆路径问题上的应用

本文用遗传算法求解有时间窗车辆路径问题，获得其近优解或最优解．传统的交叉算子如ＰＭＸ，ＥＲ和ＣＸ等对多约束问题的适用性受到限制，本文使用一种直观的编码方法，并提出基于优先关系的交叉算子．实验表明这种遗传算法能够有效地解决复杂的优化问题     

求解全局优化问题的智能遗传算法

提出了一种智能遗传算法,该算法融合了5种交叉算子、8种变异算子和5种灾变算子,能根据当前优化结果智能地选择交叉算子、变异算子和灾变算子,在不影响搜索过程随机性的前提下收敛于全局最优解。不同于传统遗传算法,本算法增加了对各种算子优化性能的统计,在优化过程中尽可能使用那些优化性能高的算子,从而提高了智能遗传算法的优化性能。为了验证本算法的性能,采用12种传统遗传算法和本算法同时对20个测试函数进行了求解。最终的数据实例表明,方法是可行的、正确的和有效的。     

基于临界自组织模型的进化算法

将临界自组织(self-organlzed criticality，SOC)概念引入到进化算法领域，提出了基于临界自组织的进化算法(SOCEA)，引入灾变机制来模拟临界自组织状态中的剧烈变化过程，采用临界自组织的模型构造进化算法的算子、通过实验测试可以得出SOCEA算法要优于同类的对照算法，并且计算量开销也比较小、     

遗传算法与禁忌搜索算法的混合策略

遗传算法与禁忌搜索算法的出现为解决高维组合优化问题提供了强有力工具．二者既有共性,又有个性．通过对遗传算法与禁忌搜索算法的分析,提出了一种遗传算法与禁忌搜索算法的混合策略,把禁忌搜索算法独有的记忆思想引入到遗传算法的搜索过程中,构造了新的重组算子,并把禁忌搜索算法作为遗传算法的变异算子,对旅行商问题的求解表明：混合策略在许多方面优于遗传算法．     

分流机制遗传算法研究

提出了一种基于分流机制的新型遗传算法。该算法采用优种限量繁殖 ,达标种交叉和劣种变异的策略 ,突出遗传算子各自的优点和作用 ,根据进化质量自适应地调整交叉和变异概率 ,使种群具有很强的可进化性。分流机制遗传算法改变了遗传算法的传统结构 ,种群始终具有探测新的超平面 ,从而获得新的最优个体的能力 ;同时 ,对于进化中的个体不需进行所有遗传算子操作 ,提高了算法的全局收敛性 ,降低了时间复杂度。测试结果表明了所提方法的有效性。     

基于遗传算法的混合Flow-shop调度方法

混合Flow-shop调度问题（Hybrid flow-shop scheduling problem,HFSP),是一般Flow-shop调度问题的推广，由于在某此工序上存在并行机器，所以比一般的Flow-shop调度问题更复杂。本文提出了遗传算法求解混合Flow-shop调度问题的方法，给出了一种新的编码方法，设计了相应的交叉和变异操作算法，能够保证个体的合法性，同时又具有遗传算法本身所要求的随机性。最后给出了某汽车发动机厂金加工车间的生产调度实例，表明了此算法的有效性。