粗粒度并行遗传算法收敛性分析及优化运算

提出了一种新型的粗粒度并行遗传算法(CGGA)，该算法利用多个子种群基于不同的编码方式进行进化计算．首先各子群体独立进行交叉、变异和选择遗传操作，每代进化后迁移算子被引入用来进行种群问的信息交流，迁移算子将各个子种群的最优个体替换相邻种群最差个体后继续进化．基于时齐遍历马尔可夫链理论，给出了CGGA各个子种群的概率转移矩阵与其进化概率转移矩阵，证明了以概率1全局收敛．对典型的测试函数CGGA进行了求解．仿真结果表明，本算法的收敛性能优于经典遗传算法(CGA)，可以有效解决CGA的过早收敛问题．     

两阶段遗传算法的结构及性能分析

针对基本遗传算法(简称BGA)常常存在局部收敛以及收敛解精度不高等方面的不足,提出了一种改进的算法——两阶段遗传算法,给出了算法的结构及具体的实施策略,进而利用Mark-ov链理论和仿真技术分析了该算法的收敛性能,结果表明该算法具有操作简单、鲁棒性强等特点,不仅可以有效地避免寻优过程中的“早熟”现象,而且在很大程度上能提高最优解精度,适合于大规模、高精度的优化问题。     

遗传算法收敛性分析

分析了遗传算法马尔可夫链的性质,并进一步证明了在基于保留最佳个体策略时遗传算法依概率收敛到全局最优解,特别利用鞅收敛定理给出非保留最佳个体策略遗传算法强收敛的充分条件．     

新的进化过程遗传算法

在分析遗传算法运行机理的基础上，指出传统的遗传算法存在的缺陷，提出了一种新的进化过程遗传算法。提高了算法的计算效率，并有效地解决了早熟收敛的问题。     

基于二叉树结构编码的遗传算法

为对树形结构编码的遗传算法进行更深入的研究 ,提出了基于二叉树结构编码的遗传算法的一般形式 ,并以函数模型的波兰表达式为例 ,详细描述了二叉树结构编码的遗传算法的算子。重点分析了二叉树结构编码的遗传算法的收敛性。在实际的研究中 ,对二叉树结构进行空间深度限制后 ,其遗传算法可以用一个有限状态空间的 Markov链来描述。在此基础上 ,证明了二叉树结构编码的遗传算法在对选择算子进行改进后依概率收敛到最优解。     

小生境技术对遗传算法的改进作用研究

将标准遗传算法用于最优化问题时存在早熟收敛和后期收敛速度缓慢的现象。本扼要分析了遗传算法的运行机制,提出一种基于小生境改进遗传算法;对复杂函数的遗传优化仿真实验数据表明,改进的遗传算法不但具有良好的全局收敛可靠性,而且具有快的收敛速度。     

遗传算法中模式空间结构的研究

通过引入模式的线性表示概念，给出了模式空间的独立性及线表示式。     

新型遗传算法的神经网络控制器

本文提出适用于非线性控制的新型遗传算法，该算法兼有神经网络广泛映像能力和遗传算法快速，全局收敛以及增强式学习等性能。     

带混合算子的自适应遗传算法的收敛性研究

针对标准遗传算法存在搜索效率不高以及过早收敛的问题,利用自适应遗传算子提高算法的优化性能,并结合混合算子增加种群的多样度,设计了一类带混合算子的自适应遗传算法,给出了该算法的具体实施步骤,利用Markov链理论研究了该算法的收敛性问题,并通过模拟实验分析了该算法的性能。实验及分析表明,该算法切实可行,可操作性好,具有一定的通用性。     

遗传算法及其应用

遗传算法是模拟自然界生物进化过程的计算模型。这种算法具有搜索过程简单、通用性和鲁棒性强的特点以及广泛的应用潜力。本文概要地介绍了遗传算法的基本原理、理论．并在此基础之上阐述了遗传算法在三个领域的应用。最后对遗传算法做了一定的展望。     

混合遗传算法的收敛性研究

近年来,一种新的优化算法－－遗传算法（ＧＡ）正迅速发展成为一个十分活跃的研究领域。ＧＡ以其高效、实用的特点在各个领域得到广泛的应用,取得了良好的效果,并越来越受到人们的重视,由于ＧＡ存在过早收敛的问题。本文提出了克服此问题的混合遗传算法（ＨＧＡ）,并用Ｍａｒｋｏｖ链理论证明了ＨＧＡ的收敛性。     

遗传算法并行机理分析

在当前遗传算法的理论发展和实际应用的基础上,从遗传算法的数学理论基础、遗传操作、主要实现途径等方面分析了遗传算法的并行机理和并行实现上的困难以及一些改进的方法和措施,这对遗传算法的进一步研究和应用有一定的指导意义.     

基于位变异的模式遗传算法

针对简单遗传算法容易陷入局部最优点的问题,提出了一种基于位变异的模式遗传算法,并利用典型应用函数进行计算测试,结果表明该算法可有效地提高全局搜索能力,较好地解决早熟问题。     

遗传算法及其应用

论述了遗传算法的基本原理、数学基础、特点,并着重从应用的角度对它的主要研究内容和发展动向进行了深入的讨论。     

基于遗传算法的BP网络全局收敛的混合智能学习算法

给出了一种将 BP算法和遗传算法有机结合的全局收敛的混合计算智能学习算法。此算法结合了 BP算法和遗传算法的长处 ,既有较快的收敛性 ,又具备良好的全局收敛特性。计算机仿真结果表明 ,该混合算法显著优于遗传算法和 BP算法     

多个体参与交叉的遗传算法

提出了多个体参与交叉的遗传算法,即采取新的交叉算子使子代个体同时含有多个父代个体的模式．突破了以前遗传算法只有两个个体参与交叉的局限,通过调整参与交叉的父代个体数目和交叉后产生的后代个体数目,实际上提出了遗传算法调试中的两个新参数．通过调整新参数,使得遗传算法可能有更高的计算效率．证明了多个体参与交叉的遗传算法的模式定理．将方差与熵作为描述遗传算法解群多样性的工具．分析了多个体参与交叉的遗传算法对解群方差及熵的影响．通过一个算例验证了多个体参与交叉的遗传算法具有较高的计算效率     

采用重复交叉操作及最优保留策略的遗传算法

基于有限次重复交叉操作和将父代的最好个体代替子代的最差个体的思想，提出了一种新的遗传算法（REGA）。该方法克服了基本遗传算法容易出现的早熟现象，并利用马尔可夫极限定理获得全局收敛性，求得基于有限次重复交叉操作的基本遗传算法（记为RSGA）的渐近性质，以及提供关于这两种算法吸收时间的数学期望的计算方法，仿真事例表明，它不仅克服了局部最优的缺点，而且适用于有多个最优解问题，同时群体的平均适应度增加较快，运行效率更高，因而，该方法对于优化问题具有一定的应用价值。