一种改进的遗传算法在智能组卷上的应用

提出一种基于改进遗传算法的新算法.新算法从问题解的实数串集开始搜索,计算种群中个体的适应度,确定适应度函数,改进交叉算法和变异算子,实现最优解输出.实验表明,采用新算法组成的试卷能较好地满足试卷各项指标的要求,加速向最优解收敛,此算法也为解决多目标约束优化问题提供了新思路.     

一种改进的自适应遗传算法

在对自适应遗传算法中选择、交叉、变异算子作用分析的基础上,提出一种新的自适应遗传算法,新算法基于实数编码机制,选择操作采用精英选择与轮盘赌相结合,变异和交叉操作采取根据适应度自适应地非线性调整变异和交叉概率的策略,同时提出进化的后期采取先变异后交叉的操作次序.仿真实验表明,新算法有效防止早熟,收敛速度更快,鲁棒性更好且拥有较强的寻优能力.     

自适应遗传算法在飞机调度问题中的应用

基于自适应遗传算法，实现了单跑道降落飞机调度问题的求解，算法以所有飞机的排列次序做为个体编码，解码时用移动方法确定飞机的降落时间，适应度函数的构造综合考虑了飞机的提前和延迟带来的损失，选择算子采用期望值方法，交叉算子用顺序交叉，变异算子用倒位变异，为提高算法的执行效率并避免早熟收敛，对交叉和变异概率均采用自适应策略，仿真结果表明了自适应遗传算法用于飞机调度问题的有效性。     

基于尖Γ云模型的基因表达式编程算法研究

传统基因表达式编程算法的进化过程使用一成不变的变异率和交叉率,忽略了进化中种群的动态变化,导致GEP算法有可能陷入局部最优.为此,做了如下探索:(1)形式化尖Γ云模型,GEP模式和适应度隶属度等概念;(2)提出了新概念尖Γ云变异率和交叉率;(3)设计了尖Γ云调整算法(Cusp Gamma Cloudy Adjust Algorithm)和基于尖Γ云的GEP算法(Gene Expression Programming Based on Cusp Gamma Cloud),借助云模型的特点,动态改变变异率和交叉率;(4)实验表明,新算法改善了进化性能,平均适应度提高达7%,最高适应度提高8%,平均进化代数下降10%以上.     

基于遗传算法的矩形件排样问题研究

将多种群阶段性杂交遗传算法和基于剩余矩形排样算法结合起来,对矩形件优化排样问题求解.重点讨论算法的关键技术:编码方式和解码方式、适应度函数的构造、遗传算子的选择、交叉、变异操作,并通过实例验证了算法的有效性.     

基于自适应遗传算法的入侵检测方法

提出了一种基于自适应遗传算法的入侵检测方法。该方法采用自适应的适应度函数、交叉概率及变异概率取代固定的适应度函数、交叉概率及变异概率来改进遗传算法并用于入侵检测中。实验结果证明算法显著提高了自身收敛性能,具有很强的自适应能力,用于入侵检测中在保证较高检测率的基础上,对不同类型的攻击检测具有良好的均衡性。     

基于遗传算法的机器人综合路径规划

为解决机器人路径规划问题,在极坐标系下利用遗传算法,依据多属性决策理论提出了新的综合适应度函数。采用基于该适应度函数的遗传算法可首次规划出满足路径、时间和耗能3个约束属性的最优路径。同时引入理想适应度函数,并基于引入的理想适应度函数,提出一种新的变异算子,该变异算子可保证个体变异的方向性,对优异的父代个体有较小变异、劣质个体有较大变异。仿真结果验证了算法的可行性和有效性。     

遗传算法的原理及组成分析

本文简单讨论了遗传算法的特点、组成,即介绍了算法的交叉及常用的交叉算子、变异,其中进一步说明算法的编码原理、适应度函数设计,最后提出该算法的不足之处和改进．     

基于遗传算法的排课系统研究

排课问题是一个多约束、多目标的组合优化问题,本文基于本校教学管理过程的实际情况,利用遗传算法对排课问题建立数学模型,设计了适应度函数,通过选择、交叉和变异等过程,进化得到最优解。实验结果表明本算法能够有效的解决本校的教务智能排课问题。     

改进自适应遗传算法在BP神经网络学习中的应用

针对遗传算法容易产生局值的问题,提出一种新的自适应遗传算法,改进遗传算子,通过比较两代之间的适应度评估值,选取适合的交叉率和变异率,保证了优秀个体进入下一代,而且避免了种群中最大适应度值的个体的交叉率和变异率为0的情况.最后,将改进后的算法应用于库存控制模型,实验表明,改进后的自适应遗传算法能避免局值,提高网络的收敛速度,改善了网络的学习性能.