基于关系代数的遗传算法模型及其应用

运用选择、投影、广义笛卡尔积等关系代数运算，给出了遗传算法的搜索空间及个体、遗传算子和搜索最优解过程等关系代数形式的描述，建立了遗传算法的关系代数模型，给出了遗传算法的数学解释．然后，给出建立遗传算法关系代数模型的意义，说明了数据挖掘和知识发现应用于遗传算法的可行性．最后，用该模型描述了2个常见用遗传算法解决的问题，即TSP问题和交互式遗传算法中的服装设计问题，结果表明该模型的可行性．     

遗传算法在岩土工程反演问题中的应用

综述了岩土工程反演的基本过程，并在介绍遗传算法研究进展的基础上，将遗传算法与传统优化算法进行比较，然后给出几种遗传算法的改进策略，同时介绍了遗传算法在岩土工程反演领域中经常使用的几种改进方法，最后通过实例验证了遗传算法是求解岩土工程反演问题的有效方法。     

考虑变频调速时泵站优化调度的改进遗传算法

采用遗传算法对有部分变频调速机组的泵站进行优化调度计算，并对遗传算法进行改进，克服了遗传算法的早熟收敛问题。仿真研究表明，优化效果比传统遗传算法好。     

并行遗传算法研究

以伴随着遗传算法应用的深入开展，并行遗传算法（parallel genetic algorithms，PGA）及其实现的研究也变得十分的重要、一般来说，遗传算法中的适应度的计算最费时间，再加上需要不断产生新一代．而每一代又有若干个体，所以如何提高遗传算法的运行速度显得尤为突出．由于遗传算法的内在并行机制，其并行处理是很自然的解决途径．     

一种基于量子遗传算法的多播路由算法

提出了一种基于量子遗传算法QGA（quantum genetic algorithm）解决多播QoS（quality of service）路由问题的算法．介绍了量子遗传算法的基本原理，给出了算法实现的方法和具体流程，并进行了量子遗传算法在多播路由选择优化方面的仿真实验，证明了量子遗传算法优于常规遗传算法．     

遗传算法进化中积木块的识别和利用研究

提出了一种基于积木块识别的遗传算法，该算法通过对进化过程中的候选积木块进行识别与利用来加速搜索，从而避免遗传算法随机搜索的盲目性．利用经典的对称旅行商问题求解过程来测试各种识别方法，再利用积木块的识别结果改进原有遗传算法，包括改进积木块的识别率以及基于积木块的交叉、变异算子．与基本遗传算法的计算结果对比分析表明，所提算法可显著提高遗传算法的搜索效率，减小遗传算法随机搜索的波动性．     

基于改进算法的移动机器人路径规划

机器人路径规划问题通常采用不同算法来对其进行规划，为发挥算法中改进遗传算法和鲸鱼优化法的优势，弥补遗传算法出现优化准确率和收敛度不高等问题，将改进遗传算法和鲸鱼优化法融合，增强移动机器人路径规划对动态环境的适应性能。对算法适应度函数进行优化，改善了基本遗传算法、提升了原算法对函数的求解效率。通过遗传算法、对遗传算法进行改进的算法、改进遗传算法与鲸鱼算法相融合的算法所运行的路径长度与运行时间进行比较，结果表明融合改进优化算法可以有效获取最优算子，减少运算时的迭代次数，同时提升算法的规划准确率。     

基于模糊遗传算法的水轮机调速器参数优化

针对目前使用遗传算法优化水轮机调速器参数存在寻优效率较低这一问题，提出了一种用模糊遗传算法优化水轮机调速器参数的新方法。通过引入自适应变化的变异概率和交叉概率，改善了遗传算法的寻优效率，并提出了分段加权的目标函数以改善水轮机调速器的反冲影响。仿真结果表明，模糊遗传算法寻优效率较简单遗传算法有了大幅提高，具有很强的鲁棒性。     

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。     

遗传算法的改进及其在水库优化调度中的应用研究

遗传算法是通过对样本中个体的不断改进来寻找各类问题的最优解。由于标准遗传算法（SGA）存在收敛性及个体适应度求解方面的困难，在研究中，通过对SGA中遗传算子改进，特别是对选择算子的改进，提出了一种改进遗传算法（AGA），并将它应用于水库优化调度中。改变通常以水位变化序列为基础的遗传算法编码方案，通过数组存储水库库容状态，并以各库容状态对应的数组下标为基础进行遗传算法编码，通过实例，表明AGA对水库优化调度问题具有良好的适应性，同时结合数组存储理论的遗传算法编码方法简化了水库优化调度遗传算法的实现过程。     

基于认知诊断的自适应学习材料智能推送算法研究

将认知诊断和自适应学习相结合,利用认知诊断方法先诊断学习者对知识的掌握情况,然后依据遗传算法和多岛遗传算法为每个学习者智能化提供合适的学习材料,提出了基于认知诊断框架下的自适应学习材料智能推送算法.通过Monte Carlo模拟实验考察了新算法的科学性及其效果,研究结果表明:(i)基于认知诊断框架下的自适应学习材料智能推送算法具有较理想的效果;(ii)遗传算法和多岛遗传算法选取的学习材料具有低惩罚函数值和高学习材料匹配的正确率;(iii)遗传算法和多岛遗传算法选取的材料比随机算法更加适合学习者.     

一种用于车辆最短路径规划的自适应遗传算法及其与Dijkstra和A*算法的比较

提出了一种自适应遗传算法,并成功应用于车辆最短路径规划算法中. 所采用的编码方式、交叉及变异算子等均针对最短路径规划问题而专门设计;同时,提出了一种新的交叉概率、变异概率在线自适应调整策略,以便提高遗传算法的搜索速度和搜索质量. 将该算法同Dijkstra算法、A*算法进行了仿真比较. 对五种不同情况的仿真研究结果表明:同Dijkstra算法相比,该自适应遗传算法可以减少搜索到最短路径的时间;同A*算法相比,该自适应遗传算法则可以搜索到更多的最短路径.     

基于纯数值函数优化的一种混合遗传算法

通过引入与进化代数相关的交叉概率和与个体适应度相关的变异概率的自适应遗传算子同时把Powell局部寻优算法融入遗传算法的搜索过程构成了一种数值函数全局寻优的混合遗传算法.实验表明混合遗传算法改善了遗传算法的局部搜索能力,有效地解决了遗传算法的早熟现象,显著提高了遗传算法求得全局解的概率.同时由于混合遗传算法中只利用函数值信息,所以该混合遗传算法是纯数值函数的优化的一种通用方法.     

混沌高效遗传算法在水库含沙量预报中的应用

利用混沌映射的遍历性和实编码遗传算法的全局优化性,通过在遗传进化过程中加入混沌变异操作,在变量的定义域内投放大量的混沌初始群体,在实编码遗传算法进化过程中加入单纯形法学习算子,建立了一种新的混沌高效遗传算法(chaos higher efficient genetic algorithm, CHEGA).应用该法对3个非线性、高维、多峰值测试函数进行了仿真,在收敛速度和全局优化方面好于现有的简单遗传算法和改进的遗传算法.建立了水库含沙量预报模型.并将CHEGA用于求解上述模型的参数优化问题,与实数编码加速遗传算法(RAGA)、二进制加速遗传算法和随机优化算法等方法相比,CHEGA可以遍历到整个区域,较好的保持了种群的多样性,并且精度高、收敛速度快.CHEGA对求解实际水库计算模型的参数优化问题非常有效.     

基于混合遗传算法的关系型数据库查询优化

分析了关系型数据库的查询优化问题，针对多连接查询提出将遗传算法和爬山法结合，从而构造了关系型数据库多连接查询优化问题的混合遗传算法，并进行了实验计算．结果表明，用混合遗传算法解决多连接查询优化问题，可以发挥遗传算法和爬山法的不同优势，从而得到较满意的查询优化性能．     

基于遗传算法求解复杂时间-空间布局问题

给空间布局问题加入时间约束的多目标、多约束化布局问题(复杂时间-空间布局问题)是NP完全问题.探讨了遗传算法在求解这一复杂问题过程中的应用,提出用分层型遗传算法处理复杂时间-空间布局问题,给出了有效的编码形式和解码运算.根据混合原则和算例,该算法优于普通的遗传算法.     

基于混合算法求解指派问题

本研究建立了指派问题的数学模型,提出了以遗传算法和蚁群算法相结合的思想及其解决方案．算法主要是将每一个任务作为一个基因位形成染色体,以遗传算法控制寻优方向,更适宜解决组合优化问题．实验结果表明,使用此算法解决指派问题,提高了搜索效率,能够在短时间内找到最优分配方案,证明该算法是可行的．     

优劣复取舍遗传算法

为加快遗传算法的收敛速度 ,满足优化控制实时性的要求 ,对遗传算法的机理进行了研究 ,提出了遗传算子操作结果的优劣复取舍原则。并以此原则为基础 ,经过改进 ,加入调整适应度、动态调整变异概率和局部优化等方法 ,形成了优劣复取舍遗传算法。理论分析和实例计算结果表明 ,该算法能有效消除遗传算法本身带来的局部极值点 ,解决成熟前收敛的缺陷 ,与其它算法相比 ,具有收敛速度快、寻优能力强等特点。     

遗传算法在最优化问题中的应用研究

遗传算法是一类借鉴生物界自然选择和基因遗传学原理的随机搜索算法.本文分析和研究了遗传算法的基本概念和基本要素,阐述了遗传算法的实现原理和实现过程,并将遗传算法应用于求非线性函数最值中,证明了该算法对于解决函数优化问题是最有效的方法之一.     

多个体参与交叉的遗传算法

提出了多个体参与交叉的遗传算法,即采取新的交叉算子使子代个体同时含有多个父代个体的模式．突破了以前遗传算法只有两个个体参与交叉的局限,通过调整参与交叉的父代个体数目和交叉后产生的后代个体数目,实际上提出了遗传算法调试中的两个新参数．通过调整新参数,使得遗传算法可能有更高的计算效率．证明了多个体参与交叉的遗传算法的模式定理．将方差与熵作为描述遗传算法解群多样性的工具．分析了多个体参与交叉的遗传算法对解群方差及熵的影响．通过一个算例验证了多个体参与交叉的遗传算法具有较高的计算效率