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．     

GA算子的代数通达性分析

论述了GA算子代数通达性，建立了GA状态空间的代数通达关系，对算子的随机性与可行性作了代数描述，给出了遗传算法收敛性的代数基础。     

一种基于遗传算法求集中网站的方法

 给出了一种用遗传算法求取集中网站的新方法.给出并分析了目前解决该问题的方法;提出了一种用遗传算法求解的方法并分析了可行性;并通过实例比较,描述了该方法的优越性.     

基于可拓学的设计方案进化推理方法

在分析现有概念设计求解策略的基础上，提出了基于可拓学理论与遗传算法相结合的概念设计求解模型。利用遗传算法模拟物元变换过程，建立了产品方案物元描述的内部模型和外部模型，探讨了内、外模型的转换关系并通过关联函数将内、外部模型联系起来。根据内部模型给出了遗传算法的编码形式以及与之相适应的交叉、变异策略，并通过可拓评价方法建立了遗传算法的适应值函数，基本解决了产品概念设计中的知识组合爆炸和矛盾冲突问题。最后通过求解减速器方案验证了该方法的可行性。     

叠前弹性波反演非线性优化方法

针对传统遗传算法自身存在的早熟收敛、搜索空间小以及计算效率低的问题,在保证算法收敛和最大限度地搜索模型空间的基础上,对遗传算子采取相应策略进行了改进,并通过界约束以增加解的稳定性.为了提高计算效率,采用粗粒度并行遗传算法,将并行计算机的高速并行性和遗传算法固有的并行性相结合,进行多种群并行搜索.选择合适的迁移拓扑结构和迁移策略,构建了并行模型,并给出了改进后并行遗传算法的设计流程图及详细算法描述.采用该算法进行了叠前弹性波反演的实际计算,取得了良好的效果.     

基于改进遗传神经网络的微硅加速度传感器动态补偿研究

比较遗传算法与神经网络的特点, 并对将遗传算法用于函数连接型神经网络(FLNN)的优点进行了研究.对遗传算法的编码方法、交换和变异操作做了改进,提出了一种融合改进遗传算法的FLNN用于微硅加速度传感器动态性能补偿的新方法.该方法不依赖于传感器的动态模型, 可根据传感器的动态响应数据, 建立补偿模型,采用改进遗传神经网络搜索和优化补偿模型参数,既保留了遗传算法的全局搜索能力,又具有神经网络的鲁棒性和自学习能力.介绍补偿原理及算法, 给出动态补偿网络的数学模型.结果表明, 该补偿方法能克服FLNN收敛速度慢、容易陷入局部极小的缺陷,具有网络训练速度快、实时性好、良好的全局搜索能力、精度高、鲁棒性好及动态补偿器实现简单等优点.     

具有分解结构的多目的批处理过程短期调度模型

针对多目的批处理过程的短期调度问题,分析了基于设备独立事件触发的建模方法在描述存储过程的特点及局限性,建立了存储的时间函数来准确描述存储状态,并以此为基础,在不额外增加变量的情况下,建立了一种新的具有分解结构的调度模型,该模型由两个层次的优化问题构成。设计了基于分解的遗传算法求解模型。针对主要由处理任务的时间顺序约束和存储容量约束构成的子问题,通过松弛,给出了简单的递推算法求得最优解或近优解,然后返回主问题,采用遗传算法,使得搜索空间大为减小。仿真实例说明了模型和算法的有效性。     

分数Poynting-Thomson模型应用于聚碳酸酯及其混合物介电损耗的研究

基于分数阶微积分理论,建立了介电松弛的分数Poynting-Thomson模型,讨论了该模型各参数变化对介电损耗的影响.利用遗传算法结合共轭梯度法确定最优化模型参数,用该模型拟合了聚碳酸酯及聚碳酸酯与热塑性聚酯混合物在不同温度介电损耗的频谱数据.结果表明,该模型可以对聚碳酸酯及聚碳酸酯与热塑性聚酯混合物的介电损耗给出很好的描述,在不同温度下,松弛时间对温度具有简单的依赖关系.     

资源优化模型及遗传算法

在网络计划中提出了资源优化问题,并建立了资源优化数学模型.同时,指出现代优化算法是求解资源优化模型的主要算法,并使用遗传算法对资源优化模型进行求解.此遗传算法与传统的遗传算法有所不同,第一是根据资源优化过程的特点设计的独特的杂交概率和变异概率,可以既尽快获得最佳模式又扩大搜索范围,避免早熟现象的发生;第二是引进了检查和修复算子以保证杂交和变异的子代满足可行性的要求;最后给出了算例以验证算法的有效性和正确性.     

小生境遗传算法优化的BP神经网络模型

针对传统BP神经网络模型收敛速度慢、易陷入局部极小点、网络结构不稳定等缺陷,提出一个小生境遗传算法优化的BP神经网络模型.该模型充分利用小生境遗传算法的搜索能力和BP神经网络的非线性映射和学习联想能力,通过小生境遗传算法的选择、交叉、变异及小生境淘汰等操作,优化BP神经网络的初始权值和阈值,并采用BP算法对网络进行训练,有效解决网络初值不合理的问题,提高网络收敛速度、稳定性.实验证明:与传统方法相比,该模型具有很强的可行性和有效性.     

联合火力打击中武器目标分配问题的多目标优化模型及算法

联合火力打击中确定最优的武器目标分配方案是具有挑战性的问题.为解决该问题,考虑需要在潜在打击目标中确定打击目标,建立了一个以最大化期望毁伤收益和最小化打击成本为目标的多目标优化模型.采用加权求和法以及偏好将多目标优化模型转化为全局约束优化模型.设计了具有较好搜索能力的交叉和变异算子的遗传算法.实验结果表明,所提出的算法可以得到比对比算法更好的分配方案.     

改进遗传算法在配电网重构中的应用

：配电网络重构是降低网损、提高电网运行经济性和供电可靠性的主要途径之一．在满足各种运行约束条件下,以网损最小或可靠性最高为目标的配电网重构问题是一个典型的非线性整数组合优化问题．根据配电网特点,提出了改进的遗传算法（ＩｍｐｒｏｖｅｄＧｅｎｅｔｉｃＡｌｇｏｒｉｔｈｍ－ＩＧＡ）,ＩＧＡ采用新型编码方案,在编码阶段即防止了环网和“孤岛”出现,提高了求解效率,并在此基础上改进了交叉和变异算子．此外ＩＧＡ引入了模拟退火算法以提高算法局部搜索能力．算例结果表明,ＩＧＡ在配电网重构中是可行、有效的．     

基于信息论和遗传算法的Bayesian网络弧定向方法研究

Bayesian网弧定向问题是Bayesian网学习的一个重要方面．提出了一种基于信息论和遗传算法的Bayesian网弧定向算法．将信息论中鉴别信息这一概念引入Bayesian网学习中来,以鉴别信息定向后的网络为基础网,并设计相应的适应度函数和遗传算子,使该算法能够收敛到全局最优的Bayesian网结构．从而极大地减弱了单纯利用遗传算法学习对初始群体的依赖性,提高了算法的收敛速度．实验结果表明：该算法能够有效地解决Bayesian网弧定向问题．     

一维下料方案的遗传算法优化

在对一维下料方案数学模型分析的基础上，提出了一种基于遗传算法的求解方法。主要思想是把零件的一个顺序作为一种下料方案，并视作组合优化问题来求解。在求解过程中，给出了应用遗传算法求解关键问题的编码、解码方法、遗传算子及适应离函数的定义，并根据这算法开发出一维下料方案的优化系统。实际应用表明，采用该方法求解一维下料方案，可提高材料的利用率，而且还可以提供多个优化方案。     

航班计划恢复模型和混合优化算法研究

为研究不正常航班恢复求解问题,以受影响旅客人数最小为优化目标,建立了多约束飞机调整混合整数非线性模型,设计了基于匈牙利方法和遗传算法的混合优化算法,该算法避免了匈牙利方法只能求出唯一解的缺点,也克服了遗传算法的收敛性对初始值有较强依赖性的不足,同时改进遗传算法,使之能够输出多个近优方案,满足签派工作的实际需要,以实例验证了算法的有可行性。     

优化网络布置费用的遗传算法

【目的】针对网络布置费用的优化问题,利用基本遗传算法的良好搜索性能,设计出优化网络布置费用问题的遗传算法。【方法】通过分析网络布置费用的优化问题,抽象出网络模型,并将该问题转化为求解无向图中最小生成树的问题。【结果】基于遗传算法基本原理和抽象出的网络模型,设计出一种优化网络布置费用的遗传算法。【结论】应用遗传算法解决网络结构优化问题,可以让用户在短时间里获得一个比较满意的结果。     

混沌遗传优化算法及其程序研制

为了解决传统遗传算法的早熟问题 ,首次提出了混沌移民算子 .利用混沌迭代的遍历性和内在随机性 ,通过混沌移民操作可克服传统遗传算法中的近亲繁殖问题 ,确保算法的全局收敛性 .用MATLAB语言研制了混沌遗传优化算法软件ChGA1.0 ;数值计算表明 ,该算法的全局收敛性及算法本身的鲁棒性好 ,适应于求解连续变量的无约束及有约束优化设计问题 ,具有工程实用价值 .     

基于自适应混合遗传算法的装箱问题探讨

多约束条件下的三维集装箱问题是NP难题,它的求解极为困难。提出了一种自适应混合遗传算法,该算法采用直观的自然数编码机制、混合启发式规则的解码方法和改进的遗传算子。仿真结果表明,该算法在效率和精度上均优于基于空间分解的启发式搜索法等常用的进化类算法。     

一种基于遗传算法的BP神经网络算法及其应用

主要分析了神经网络和遗传算法的特点和存在的一些缺陷，研究了遗传算法和BP神经网络学习算法相结合的相关技术，设计并实现了一个基于遗传算法的BP神经网络算法BP—GA，已应用于肺癌早期细胞病理诊断系统中。实验结果表明，该算法具有较强的收敛性和鲁棒性，其应用效果很好。     

优化搜索空间划分的遗传算法的研究与实现

针对遗传算法中早熟收敛和容易陷入局部收敛的问题,提出优化搜索空间、遗传算法算子的一些改进策略,即利用搜索空间划分实现优良等位基因单元稳定遗传到下一代中,利用禁忌域和有效域快速提高算法的实现性能.改进的算法能有效减少搜索空间、避免算法早熟,使得算法的全局搜索能力和局部搜索能力比其他遗传算法均得到了较大的提高.函数求最优解和服装设计算法的实现,证明了改进算法的平均收敛速度和收敛到最优解的效率都优于其他遗传算法,实验验证了所提出的算法思想的可行性和有效性.