一种改进的遗传算法在多峰值函数优化问题中的应用

针对标准遗传算法在处理多峰值函数优化问题中存在的收敛性问题,设计了一种自适应多位变异遗传算法．有效地解决了过早收敛、局部搜索能力差和全局收敛性问题．实例计算表明.改进后的遗传算法是有效和可行的．     

一种改进的遗传算法在函数优化中的应用

针对传统遗传算法在处理多峰值函数优化存在的"早熟"问题,以及在后期搜索效率低的问题,在对目前常见的几种种群早熟程度评价指标进行分析的此基础上,提出了一种新的种群"早熟"程度评价指标,并据此提出了一种改进的自适应遗传算法;最后将改进的遗传算法用于函数优化;实验表明:改进后的遗传算法有效地解决了过早收敛、局部搜索能力差和全局收敛 速度慢等问题.     

基于遗传算法的极值问题求解

遗传算法是一种颇具生命力的算法，用遗传算法的思想来求解一函数取得最大值时的解，并给出了用遗传算法解此问题的详细过程。最后，对实验的结果进行了分析，并给出改进该算法性能的一些建议。     

一种改进的小生境遗传算法

简单遗传算法（SGA）存在早熟收敛和后期收敛速度慢的弱点，基于小生境（niche）技术的改进遗传算法因其较好地保持了种群多样性，显示出更优的性能，但它存在操作复杂、比简单遗传算法更费时的缺陷，因此提出了一种基于自适应的小生境遗传算法。该算法在多模函数的优化中能够保持种群多样度的稳定性，获取合适的子种群规模，从而以更快的收敛速度获得更优的解。仿真结果表明该算法高效、可靠，易于实现。     

基于模式库的遗传算法在非静态函数优化中的应用

本文针对非静态函数优化问题提出了一种基于模式库的改进遗传算法，此算法最主要的特点就是采用模式库来保存算法进行过程中的一些好的模式，这些模式一方面用来组建一些适合环境的优良个体，提高收敛速度，另一方面可以给早熟群体注入新的基因，增加群体的多样性。文中分别就函数优化问题和背包问题给出了改进遗传算法的仿真结果，表明本文算法的有效性。从理论上来说，本文算法适用于多个状态之间的动态变化环境。     

一种改进的小生境遗传算法

简单遗传算法（SGA）存在早熟收敛和后期收敛速度慢的弱点，基于小生境（niche）技术的改进遗传算法因其较好地保持了种群多样性，显示出更优的性能，但它存在操作复杂、比简单遗传算法更费时的缺陷，因此提出了一种基于自适应的小生境遗传算法。该算法在多模函数的优化中能够保持种群多样度的稳定性，获取合适的子种群规模，从而以更快的收敛速度获得更优的解。仿真结果表明该算法高效、可靠，易于实现。     

一种新的模糊遗传算法

将模糊控制思想引入到遗传算法中,进行交叉概率P6和变异概率Pm的整定工作,并在此基础上提出了一种基于模糊控制的遗传算法－模糊遗传算法,仿真结果表明：该算法不仅能提高解的质量,而且能加速解的收敛速度。     

基于遗传算法和BP算法的混合算法

本文就函数优化问题,结合遗传算法和 BP 算法的优点,提出一种新的混合算法。该算法既有较快的收敛速度又能以较大概率收敛到全局最优解,数值实验结果表明该算法显著优于遗传算法和 BP 算法。     

并行遗传算法收敛性分析及优化

针对并行遗传算法（parallel genetic algorithms，PGA）容易出现收敛过快和陷入局部最优解的问题，综合多种不同进化策略遗传算法之所长，设计了一种混合的粗粒度并行遗传算法。该算法由多个独立的子群体组成，各个子群体并行的、独立的、按照不同的遗传进化策略进化，每隔一定的时间，在子群体之间进行最优个体的迁移，促进群体的共同进化，并抑制群体早熟。在PVM环境下，用该算法实现函数优化问题，仿真实验数据表明了其有效性．     

基于遗传算法的函数优化拟下降算法

在传统优化算法中嵌入一拟下降步,改善了算法的收敛性质,用遗传算法计算下降步,提高了算法的全局搜索能力,又不改变原算法的收敛性,数值计算结果表明,所提出的算法结合了遗传算法和传统算法的优点,是一种查行的解决函数优化问题的混合算法。     

遗传算法在最优化问题中的应用研究

遗传算法是一类借鉴生物界自然选择和基因遗传学原理的随机搜索算法.本文分析和研究了遗传算法的基本概念和基本要素,阐述了遗传算法的实现原理和实现过程,并将遗传算法应用于求非线性函数最值中,证明了该算法对于解决函数优化问题是最有效的方法之一.     

分子序列的突变危险性与遗传密码的编码规则

定义了分子序列（碱基序更和对应的氨基酸序列）的突变危险性函数，通过危险性函数的极小化可以导出遗传密码的简并规则，终止密码子在密码表上的位置及亲－水畴排布，氨基酸在密码表上的定位接近标准密码表，各个生物类别的突变危险性函数值差别不超过５％，可看作守恒量，Ｒａｓ家庭癌基因产物具有较大的突变危险性函数值，这提示分子序列的突变危险性函数可能有重要的应用价值和理论意义。     

自适应遗传算法

自适应遗传算法采用自适应的适应度函数、交叉概率及变异概率代替固定的适应度函数、交叉概率及变异概率,与基本遗传算法相比,结果证明改进的遗传算法显著提高了收敛性能,并且具有很强的自适应能力.     

改进遗传算法求解惠更斯问题的研究

将惠更斯函数作为目标函数,采用改进的实数编码遗传算法进行求解。通过系统地调整群体规模、变异率和杂交率三种进化控制参数值,设计并进行了分组实验,得到了一组满意的进化控制参数。运用这组参数进行计算得到的优化结果十分接近惠更斯问题的理论值,使惠更斯问题得到比传统算法更好的解决方法。     

遗传算法在数据内部排序上的应用

用遗传算法进行数据内部排序，可以打破传统排序算法在时间复杂度方面所存在的下限，因为求适值部分可并行处理，对包括适值函数、杂交、变异等在内的一些关键问题进行了研究，尤其就不同适值函数的设计对算法性能等方面的影响进行了对比讨论。     

模糊极值与遗传密码的亲水—疏水性和突变危险性

提出了两遗传密切之间距离的一个定义，以该定义为基础构造了密切字典的突变危险度函数；应用模糊极值方法求出了使突变危险度极小的标准密码表的疏水－亲水畴分布；证实由局域极小化的简并多重态构成的标准密码字典和大部分线粒体密码字典的突变危险度是近似极小的，若以密切字典系统平均突变危险度和最大突变危险度为标度，现有的各种与极小值的接近程度在90％左右；计算结果还支持这样的假设：密码的进化是遵循整体突变危险性极小的，标准密码表可能是由类似于线料 密码的古典密码表进行化来的，而碱基的化学修饰有助于降低突变危险性。     

自适应搜索的改进遗传算法及其应用

提出了一种具有自适应搜索能力的快速收敛遗传算法。在计算过程中，设计变量的搜索范围依据每代自变量的数学期望和方差自动进行调整，并且通过引入进化策略中的自适应高斯变异算子，对变异算子进行改进，加速了算法的收敛性。为了验证算法的可行性和鲁棒性，对一个高维多峰函数的极小值搜索问题进行了求解，并将算法进一步应用于离心叶轮的形状优化问题。计算结果表明，该算法克服了传统遗传算法中设计区间的给定具有一定盲目性的缺陷，在收敛性和鲁棒性方面均优于传统的实数编码遗传算法。     

基于均匀设计的遗传算法参数设定

在应用遗传算法进行优化计算时,各操作参数既有各自的功能又相互作用,彼此关系较为复杂,而各参数设定的好坏直接影响算法的性能,所以,各参数的设定是应用遗传算法进行寻优计算的重要问题·通过对遗传算法各操作参数作用与意义的分析,认为可以将遗传算法的参数设定描述为一个多因素多水平优化设计问题·为使遗传算法在应用中发挥最佳的寻优性能,同时考虑到参数设定方法的可行性,提出应用解决多因素多水平优化设计问题的均匀设计方法设定遗传算法的操作参数,实例应用仿真结果验证了这种方法的可行性、有效性·     

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.