遗传算法中算子的性质

讨论了遗传算法中的两个主要算子－杂交与变异，得到了杂交算子的四个变量及一个平行四边形法则，给出了决定杂交搜索的充要条件及杂交搜索的范围，对变异算子，指出了它的可迁性，建立了变异基因数与Ｈａｍｍｉｎｇ距离的关系。     

关于遗传算法过早收敛现象的特征分析及预防措施

在简要介绍遗传算法的基础上，通过引入种群早熟集和种群多样度的概念，分析了遗传算法中过早收敛现象的起因与特征。阐明了杂交过程的成熟化效应是引起遗传算法过早收敛的主因，提出了几种可以预防和克服过早收敛的新型遗传算法。     

用遗传算法求解重力场地层深度曲线

遗传算法是模拟自然界生物进化过程的计算模型,是一种全局非线性优化的新算法．本文结合遗传算法的基本原理,应用遗传过程中的繁殖、杂交、变异三个操作步骤,提出用遗传算法求解重力场的地层深度曲线,并利用Ｃ语言使开发应用程序得以实现．     

多群体阶段性杂交遗传算法

借鉴生物遗传学提出了一种多群体阶段性杂交遗传算法。引入相对顺序交叉算子对标准遗传算法进行了改进。为验证该算法的性能，对旅行商问题进行了求解，采用多群体和阶段性杂交的改进策略，并分别和标准遗传算法进行了比较。计算结果表明，该方法能较好地保证个体多样性，并能促进优秀基因型的杂交和遗传，在收敛和鲁棒性方面优于一般的单群体、非杂交算法。另外，将其应用于水电站优化调度也取得了较好的效果。     

考虑开关动作次数约束的配电网无功电压控制方法的研究

根据多台有载调压变压器和可多组投切的电容器构成的配电网络，提出了以全网一天中网损最小为目标，考虑开关动作次数约束的无功电压实时控制的数学模型．针对计算模型，基于遗传算法的思想，设计了相应的编码、杂交和变异操作．在计算过程中，可巧妙计入开关动作次数限制，动作时段及开关当前状态等信息．算例结果表明，该方法比传统遗传算法及动态规划法的计算速度有较大提高．     

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.     

基于遗传算法的网格结构优化方法

为了加快遗传泊进化过程,提出了基于遗传算法和满应力准则进行网格结构优化的杂交算法,杂交算法能大幅度地减少单纯采用遗传算法进行网格结构优化的解空间,其结果表明杂交算法能明显地加快遗传算法的收敛进程。     

背包问题的遗传算法求解

探讨利用遗传算法解决背包问题并设计新型的遗传算法，给出了背包问题的数学模型，建立了有效的约束条件。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，提出了面向背包问题的遗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法，给出了一个例子说明算法的收敛性和收敛效率，仿真说明了算法的有效性。     

基于遗传算法的结构振动主动控制优化方法

在结构振动主动控制的研究中，控制能量是限制其广泛应用的瓶颈。为减少控制系统所需能量，有必要对结构进行优化设计，而传统的优化方法对于振动主动控制系统的优化不太适合。为此，在杂交遗传算法和实代码遗传算法的基础上，开发了一种改进的杂交遗传算法，该算法不仅可以计算含不等式约束的优化问题，而且可以处理含线性等式的优化目标问题。最后给出了计算实例来说明所提方法的有效性。     

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．     

Memetic算法及其在分类中的应用研究

群体智能优化算法Memetic算法(Memetic Algorithm,MA)采用进化算法的操作流程,引入局部搜索算子,使其在问题的求解中保证较高收敛性能的同时又能获得较高质量的解,克服了遗传算法等传统全局优化算法易"早熟"的问题,同时避免陷入局部解。在MA框架基础上,提出了全局动态适应MA算法,采用遗传算法为全局搜索算子,k-means算法为局部搜索算子。使用Java语言实现算法并对UCI中分类实验数据集进行测试,结果表明,将遗传算法和k-means结合的全局动态适应MA在分类问题中具有较高准确率。     

TSP及其扩展问题的混合型启发式算法

就经典的旅行商问题（ＴＳＰ）及其扩展形式;瓶颈问题、多目标问题等给出一种混合型启发式算法,并知微机上予以实现,为困难的扩展型ＴＳＰ提供了新的求解手段。     

求解0/1背包问题的自适应遗传退火算法

针对标准遗传算法易早熟收敛以及收敛速度慢的问题,提出一种自适应遗传退火算法用于解决高维约束优化问题.该算法采用轮盘赌和最优保存策略相结合的选择机制,并结合自适应交叉、变异概率,继而引入模拟退火算法,加快迭代后期算法的收敛速度.最后,比较了标准遗传算法和自适应遗传算法的实验结果,证明了自适应遗传退火算法在0/1背包应用中的高效性和精确性.     

一种解决TSP问题的自适应协同演化计算方法

针对遗传算法和蚁群算法存在运行时都会出现停滞、早熟等现象,且容易陷入局部最小的特点,提出了一种将两者结合协同演化运行的方法,通过建立对这两种算法状态的评估函数来动态判断其运行状态是否正常,进而动态调整运行的算法,从而最大程度地避免了这两种算法运行时的缺点.对TSP问题进行了实验测试,结果表明：此方法在收敛速度、寻优结果上都较上述两种算法单独运行有着明显的优势.     

改进的遗传模拟退火算法在TSP中的应用

在介绍遗传算法和模拟退火算法的理论基础上，分析遗传算法和模拟退火算法的主要优缺点，提出了一种改进的遗传模拟退火算法。结合两种算法的优点，对其中的复制、交叉、变异操作进行了改进，并将该算法应用于TSP问题的求解之中。最后给出用该算法求解TSP问题的具体实现过程，并进行仿真实验，验证了该算法的有效性。     

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．     

一种新的求解旅行商问题的混合遗传算法

提出一种新的求解旅行商问题的混合遗传算法。该混合遗传算法充分利用2-opt和3-opt局部搜索能力,有效地弥补了具有较强全局搜索能力的遗传算法在局部搜索方面表现出来的缺陷。实验结果表明,该混合算法性能显著优于遗传算法。     

多目标优化问题的研究

针对传统方法求解多目标优化问题的局限性,应用一种新的算法求解。遗传算法从问题解的串集开始搜索,覆盖面大,可以同时处理群体中的多个个体,利于全局择优,减少陷入局部最优的风险,而最小生成树具有过程简单清晰、适用性广泛的特点,结合两者的优点,构造了基于生成树的遗传算法。首先通过加权目标规划法求出最优解,然后通过遗传算法和基于生成树的遗传算法求解,结果表明,对于小规模的多目标优化问题,两种算法都可以求出最优解,在求解时间方面,基于生成树的遗传算法比遗传算法更优越。     

基于旅行商问题的优化算法设计

本文从求解TSP来分析遗传算法,蚁群算法,模拟退火算法三种优化算法特性分析,总结各算法的改进策略及混合算法策略,并提出基于分区的混合算法。     

一种基于混合模型的数据网格副本选择机制

在基于遗传算法和蚂蚁算法的副本选择策略研究的基础上,针对两种算法的优缺点,提出了基于融合算法的副本选择策略,利用遗传算法中的适应度函数初始化蚂蚁算法中的信息素分布,利用蚂蚁算法选择最优副本,即解决了遗传算法求解效率低的问题,又解决了蚂蚁算法初期信息素匮乏问题。通过对仿真结果进行分析比较,基于融合算法的副本选择策略在整个网格环境下和在单个站点都能有效减少作业运行时间,提高副本选择的速度,提高了整体性能。