中外奥运选手选拔机制比较研究

科学合理与竞争有序的奥运选手选拔机制可以有效地激励和约束体育官员、教练员以及运动员的行为,实现国家、社会和个人利益的协调和统一,有利于国家竞技体育制度的安排和落实.通过对美国、俄罗斯、澳大利亚、德国和中国在田径、游泳、体操、球类等运动项目上选拔办法的比较分析,发现国外选拔以客观模式为主,而我国的选拔比较容易受到行政因素和人为因素干扰.在此基础上,提出了我国奥运选手选拔应坚持公正公平公开的选拔原则,并要明确各项目的奥运选拔办法并以法规形式加以规范等建议.     

浅谈超早熟大豆品种异地选拔的作用

本文用具体实例的成功经验，理论论据充足地论述了“超早熟大品种异地选拔”的作用。     

基于聚类划分子种群的多种群遗传算法

标准遗传算法存在易于早熟,容易陷入局部最优的缺点,同时标准多种群遗传算法存在进化后期种群同质化严重的缺陷。针对这一问题,将聚类思想引入到多种群遗传算法的子种群划分中,提出了一种使用聚类方式划分子种群的多种群遗传算法,使得种群划分不再只是单纯的随机行为,而是将满足约束条件的个体根据其特征划分到不同子种群中,从而解决种群同质化问题,避免所有子种群陷入局部最优。最后,通过测试两个典型函数,验证了该算法的有效性,为多种群遗传算法提供了一种新的研究方向。     

基于MPICH平台的多种群并行遗传算法

提出了一种基于集群系统的多种群并行遗传算法，在集群系统的软件开发环境MPICH上构建了多种群粗粒度并行遗传算法框架．采用全局迁移方式交换通信域中各子群体的个体信息，并通过模拟退火规则来确定迁移代频．利用该算法框架对一类优化问题——N维目标函数的最小值问题，给出了具体的实现方法．最后对该类问题的两个实例进行了测试，基于该实例的测试数据对论文提出的算法进行了性能分析．结果显示，算法具有线性加速比，而且解的精度随着并行进程数量的增多而提高．     

基于主附种群结构的遗传算法

介绍了一种基于新的变异算子多种群的新遗传算法，该算法可用来解决复杂的多峰函数优化问题．解决这些问题的传统遗传算法经常陷入局部最优，新算法引入一种新的基于主群、附属子群的结构可避免传统遗传算法难以克服的早熟收敛．在该结构中，主群采用新的变异算子来保持良好的群体分布，并促使较优模式的快速增长，附属子群设计在有限区域内获取局部最优．用搜索历史记录及主子群体通讯能减少搜索空间，以获取全局最优和几个局部最优．搜索局部最优和全局最优可用于多人脸检测以及路径寻优问题．实验表明，该算法已在几个复杂的多峰函数优化上取得了较好的结果．     

基于实数编码的多种群演化遗传算法

针对标准遗传算法(SGA)在实际应用中存在早熟收敛、精度较差及运算速度慢的缺点,提出了一种基于实数编码的多种群演化遗传算法(RMGA).实验结果表明该算法能够有效的提高全局搜索能力和局部快速搜索能力,对改进SGA的缺点是十分有效的.     

遗传算法种群多样性的度量

针对遗传算法的过早收敛问题,从种群个体,基因两个方面给出了遗传算法种群多样性的度量方法,并在此基础上提出了一种基于大变异操作的遗传算法,实验结果表明该方法在问题求解的精确度以及收敛性方面取得了很好的效果。     

基于种群过早收敛程度定量分析的改进自适应遗传算法

分析了现有的一些改进算法所提出的评价种群过早收敛程度的指标,讨论了它们的不足,提出了一个概念清楚,运算量小的新指标,并利用该指标给出一种新的交叉概率,变异概率自适应调整策略。仿真实例表明,该方法能及时反映种群在进化过程中的过早收敛程度,不仅能加快计算速度,而且还能增强算法的全局收敛性。     

基于非随机初始种群遗传算法的分类规则挖掘

数据挖掘中分类问题一直是数据挖掘领域中研究的热点问题,先后提出了各种分类算法;其中遗传算法被认为是一种高效的分类算法.但是,传统的GA存在着易于陷入局部最优,致使得到的分类规则概括性不强的问题.提出了一种基于非随机初始种群的遗传算法分类规则挖掘算法.算法利用均匀种群方法生成非随机的初始种群,并通过均匀算子确保连续迭代过程中种群的多样性,从而达到防止GA早熟的目的.采用两个标准的公共领域的数据集验证了算法的有效性.实验结果表明,该算法能消除遗传算法在分类挖掘任务中收敛于局部最优的局限性,且能快速挖掘出易于理解的分类规则,提高对知识的理解力.     

一种快速综合性的遗传算法

对几种改进的遗传算法进行了比较、分析、综合了这几种改进的遗传算法的优缺点后，提出了一种快速综合性的遗传算法，该算法具有收敛速度快，迭代次数少且不易陷入不成熟收敛等特点。仿真结果证实了该算法的有效性。     

基于模糊聚类的改进遗传算法

针对导致遗传算法早熟收敛的原因,提出一种基于模糊聚类的改进遗传算法(FMGA),给出了FMGA算法实施的详细步骤,并研究确定了算法控制参数的取值.最后,对FMGA进行了数值仿真,仿真结果表明,FMGA能有效避免早熟收敛,在较短时间内逼近全局最优解,运算结果较基本遗传算法的提高4个数量级,而且运算过程不存在震荡现象.     

基于一种免疫遗传算法的BP网络设计

利用一种免疫遗传算法来辅助设计ＢＰ网络。此算法结合了遗传算法的随机全局搜索能力和生物免疫中抗体通过浓度的相互作用机制,实验结果证明了这种算法在设计神经网络时的有效性。     

一种改进遗传算法性能的方法研究

考虑种群多样性,提出一种描述多样性的函数.根据多样性函数值的大小,引入局部退化算子,改善种群的多样性,抑制早熟发生.模拟生物杂交原理,根据被交叉个体的海明距离,决定被用于交叉个体的类别,同类个体之间的交叉采用等位基因的交叉,异类个体之间的交叉采用非等位基因交叉即在某一类个体中引入异类个体的某些基因,达到快速产生优良个体的效果,通过求取函数极值问题的仿真实验,说明该方法提高了遗传算法的收敛速度,减少了早熟收敛的可能.     

遗传算法初始种群与操作参数的均匀设计

通过对遗传算法初始种群与操作参数设定问题的研究,认为初始种群的分布状态与算子操作参数的选取直接关系遗传算法的全局收敛性与搜索效率,对初始种群与各操作参数进行合理设定是应用遗传算法进行寻优计算的重要问题.同时,遗传算法的初始种群必须科学地表征解空间的信息,操作参数也必须兼顾多样性与快速性相互协调设置.基于优化设计思想提出应用均匀设计方法同时确定遗传算法的初始种群及其他操作参数的方法.利用均匀设计的等价准则提出一种简化计算的近似获得均匀初始种群的方法,仿真实例验证了这种方法的可行性、有效性.     

一种改进的浮点数编码遗传算法及其应用

遗传算法是一种借鉴生物界自然选择和自然遗传机制的高度并行、随机、自适应搜索方法,作为优化方法具有明显的优势.通常的遗传算法在实际应用中容易出现过早收敛和搜索结果在最优值附近摆动问题.针对过早收敛提出了采用随机试验法来防止算法陷入局部最优,而针对搜索结果摆动采用动态改变搜索范围的方法来提高优化结果精度,并编制程序对2个著名的优化方法测试函数进行优化计算,测试结果表明,该改进的遗传算法是有效的,不会陷入局部最优,并大大提高了优化结果的精度.     

遗传算法及其研究的本质探索

在对遗传算法的本质进行分析的基础上提出改进遗传算法若干新的思路：１）保障多样性与保间选优速度的交替策略；２）利用正交试验设计形成初始群体以保障群体多样性；３）对于与因素排序无关的组合优化问题，采用向量形式的染色体表示。     

一种动态种群不对称交叉的新型遗传算法

在分析实数编码遗传算法各操作步骤的实质和不足的基础上,提出了以提高算法柔性为目的、以动态种群和不对称交叉为主要特点的新型遗传算法.在遗传寻优的每一代中,父辈个体的繁殖次数在限定的范围内随机波动,种群规模随之动态变化,依据生态平衡的原理,通过选择和复制将新一代种群规模限定于某一波动均值处.为提高新生个体的多样性及其在参数空间中的遍布性,提出并设计了不对称交叉的具体方法.针对新型算法,提出了双重选择的选择方法.经典型算例验证,所提算法具有收敛快、成功率高、抗早熟能力强的显著特点.     

基于求解非线性方程组的并行遗传算法的设计

作者将非线性方程组的数值求解问题转化为线性约束最优化问题,然后利用遗传算法求解该最优化问题。为防止遗传算法过早收敛,作者将遗传算法改进为自适应并行遗传算法.数值模拟实验表明,该文的算法从另一个角度为求解非线性方程组提供了一条比较有效的途径.