混合遗传算法求解车间作业调度问题

分析了生产调度问题,提出一种更为有效的动态混合遗传算法,成功地解决了复杂的FT10×10问题.研究过程中引入自适应遗传算法思想,结合一种能够很好解决调度问题的编码规则和适应度值函数,对该算法进行了详细分析.为防止在遗传操作过程中非法染色体导致程序运行失败,给出了非法染色体合法化的规则.仿真结果表明,该算法和编码规则非常适合调度问题,且所提出的动态混合算法优于其它算法.     

用遗传算法确定斜拉桥的恒载初始索力

在设计预应力混凝土 (P .C .)斜拉桥时 ,确定成桥恒载初始索力值是一项重要而困难的任务 ,为此尝试用遗传算法来确定不同目标状态下的斜拉桥初始索力 .以往的方法往往都要假设一个斜拉桥成桥初始内力或位移状态 ,与以往方法不同的是 ,在使用遗传算法的时候却没有这样的要求 ,它只需要一个目标函数即可 ,剩下的任务就是求目标函数的极值解或者目标函数极值解所对应的各变量值     

电偶极近似条件下电磁相互作用的Feynman路径积分描述

本文讨论了电偶极近似条件下的电磁相互作用。采用相空间中的Feynman路径积分，利用正则变换，计算出变质量变频率谐振子与电磁场相互作用时的传播子以及常质量常频率谐振子与电磁场相互作用时的波函数。同时也表明了传播子的形式与规范选择有关。     

一种改善遗传算法早熟现象的方法

讨论了遗传算法(GA)中遗传算子对于改善群体整体品质实现群体进化的作用以及遗传算法中早熟现象的成因．通过动态调整遗传算法中的交叉概率和变异概率引入自适应算子，并与局部退化算子相结合来抑制早熟现象．最后给出了算例，说明该方法对于改善遗传算法中早熟现象以及提高算法效率有良好的作用．     

动态模糊神经网络研究

针对静态网络无法处理暂态问题，对具有递归环节的动态模糊神经网络进行了研究。通过在网络第二层中加入内部反馈连接，使其具有动态映射能力，从而对动态系统有更好的响应。网络使用遗传算法与反向传播BP(BackPropagation)算法相结合来训练，避免陷入局部最优解。采用时序预测和动态非线性系统进行了仿真研究，结果表明，动态模糊神经网络较之普通模糊神经网络在收敛速度、预测精度和网络规模等方面都有较大的改善，并具有更好的动态系统处理能力。     

遗传指纹图谱技术对微生物群落的分析

微生物培养技术无法获得自然生境中99％以上的微生物，而可培养的微生物也仅提供极少的形态学线索，鉴定和生理学特性经常是模糊的。分子生物学技术对不可培养微生物的研究，开启了探索微生物多样性和新资源的大门。DNA杂交、rRNA分子标记测序等已经成为研究分子微生物生态学的常规手段，可以鉴定和描述微生物群落的种群，但却不适于探索微生物复杂群落的动力学。遗传指纹图谱技术允许同时进行多样本的分析，可比较不同生境和随时间变化的微生物群落行为，是传统手段的有力补充。     

基于准时制的时间成本双目标作业调度优化

提出了一种基于混合遗传算法的以生产周期和生产成本为优化目标的作业调度方法，该方法采用Giffler-Thompson启发式调度算法产生活动的调度，基于工序编码的染色体决定了工序调度的优先级，在启发式调度算法产生的冲突集合中，根据工序的优先级选择下一步安排加工的工序，混合遗传运算在全全局范围内搜索具有最优调度工序优先级的染色体，同时，在GifflerThompson的启发式算法中，采用了反向调度的策略，即从工件的交货期开始，先安排最后一道生产工序，然后依次安排前一道生产工序，直到工件的第一道工序调度完毕，形成一个完整的调度方案，在算法中，不仅考虑了工件的生产周期和多个工艺计划，而且考虑了库存费用和加工费用，设计了基于生产周期和生产成本的双目标适应度函数，算例结果表明该方法是可行的。     

遗传算法在气体分离装置调优中的应用

提出了一种基于遗传算法和随机复合形法相结合的混合遗传算法，并以某厂气体分馏装置的生产过程的优化问题进行了测试，得出了优化操作条件。     

教育学课程理论转化为实践的策略

教育学是师范学生必修的一门课程，该课程的教学是使学生顺利走上工作岗位的前提和保证。要达到这一目的，必须改变教学策略，特别要对教学内容进行重组，使教学的主体向学生转化，引导学生把教育学课程理论转变成教学实践能力，使学生听懂、能用。     

A dynamic fuzzy clustering method based on genetic algorithm

A dynamic fuzzy clustering method is presented based on the genetic algorithm. By calculating the fuzzy dissimilarity between samples the essential associations among samples are modeled factually. The fuzzy dissimilarity between two samples is mapped into their Euclidean distance, that is, the high dimensional samples are mapped into the two-dimensional plane. The mapping is optimized globally by the genetic algorithm, which adjusts the coordinates of each sample, and thus the Euclidean distance, to approximate to the fuzzy dissimilarity between samples gradually. A key advantage of the proposed method is that the clustering is independent of the space distribution of input samples, which improves the flexibility and visualization. This method possesses characteristics of a faster convergence rate and more exact clustering than some typical clustering algorithms. Simulated experiments show the feasibility and availability of the proposed method.