浅析遗传算法与进化策略

介绍了遗传算法和进化策略的算法模型，着重讨论了遗传算法和进化策略的特点以及各自的局限性，并分析了遗传算法和进化策略的区别与联系，最后指出遗传算法和进化策略有待解决的问题和二者可以联合发展的趋势。     

进化计算及其在智能控制中的应用

介绍了进化计算的起源与发展历史、特点与分类、有关研究与应用现状及有关软件与国际信息交流等方面的基本情况。简述了进化规则和进化策略在智能控制中的应用。     

多维函数优化的遗传算法研究

本文研究了求解多变量函数优化问题的遗传算法,在此算法中采用了十进制浮点数基因表示方法,并相应地提出了一种叠加零均值Gauss随机扰动的变异方法,研究表明,对于满足组件假说的多维函数优化问题,这种遗传算法具有较高的搜索效率．     

一种基于遗传算法的BP神经网络算法及其应用

主要分析了神经网络和遗传算法的特点和存在的一些缺陷，研究了遗传算法和BP神经网络学习算法相结合的相关技术，设计并实现了一个基于遗传算法的BP神经网络算法BP—GA，已应用于肺癌早期细胞病理诊断系统中。实验结果表明，该算法具有较强的收敛性和鲁棒性，其应用效果很好。     

遗传算法及其在制造工程中的应用

遗传算法是建立在模拟自然界生命进化机制基础上的一种新型搜索和优化方法。介绍了遗传算法的概念和基本原理，讨论了它在制造领域的初步应用成果，并对其应用前景和要进一步研究的工作作了一些展望。     

遗传算法及其实现

介绍遗传算法,并进行了实现.通过对 CHN144城市的数据进行测试,测试表明:遗传算法具有较强的全局搜索能力.     

多智能体遗传算法用于超高维函数优化

基于智能体对环境的感知与反作用的能力提出了一种新的函数优化方法--多智能体遗传算法.该方法将智能体固定在网格上,而每个智能体为了增加自身能量将与其邻域展开竞争或合作,同样,智能体也可利用自身的知识进行自学习来增加能量.理论分析证明算法具有全局收敛性.实验结果表明,多智能体遗传算法对维数高达甚至10000的函数,都能以较少的计算量获得高质量的解,充分说明算法具有很快的收敛速度.     

分组量子遗传算法及其应用

量子遗传算法是一种高效的并行算法，但它易陷入局部极值。提出一种分组量子遗传算法，通过分层、分组等方法，保证了染色体的多样性。典型函数测试结果表明，分组量子遗传算法具有全局最优性，其性能优于其它几种遗传算法和QGA。     

基于知识的遗传算法研究

为了提高遗传算法的搜索效率,笔者将遗传算法的迭代过程中产生的数据视为一个信息系统,利用粗糙集可以在没有先验信息的情况下从与问题相关的数据集合中获取知识的能力,对进化过程产生的数据进行知识发现。利用所发现的知识判断被求解问题的类型,确定搜索子空间,指导进化的方向,实现了知识指导下的进化算法。函数优化实验结果表明,该方法能够显著提高遗传算法的搜索效率和寻优精度。     

基于遗传算法的可进化模拟滤波器的实现

以遗传算法和可编程模拟器件ispPAC80为评估手段和载体，实现了可进化的模拟滤波器的设计，将遗传算法和可编程模拟器件相结合，可在无须改动硬件的情况下。实现转折频率和阻带衰减等滤波参数的变换(即可进化性)，其性能达到甚至超过经典的同阶滤波器。     

退火-遗传算法寻优及其实现

分析了遗传算法及退火算法的优缺点，提出用退火算法改进遗传算法局部的最优值搜索效率低问题。退火算法与遗传算法融合后，使算法在寻优结果上更加迅速精确。通过水泥的配比工程实例，与单纯的遗传算法的结果进行对比，说明该方法是有效的。     

遗传算法在温室控制中的应用

遗传算法是一种基于自然选择规律的优化方法，适合解决温室控制中复杂的、非线性的优化控制问题．综合论述了遗传算法．包括差分进化算法在温室控制中的应用，以及今后的发展方向．     

一种改进遗传算法及应用

提出一种改进遗传算法,它是以实数编码,采用自适应Ｐｃ、Ｐｍ与固定的Ｐｃ、Ｐｍ相结合,引入生物进化编程（ＥＰ）思想,利用不同形式的评判函数,完成遗传操作,实验表明,该改进遗传算法具有快速,有效的特点,提高了ＧＡ的优化能力。     

用遗传算法求解课程表问题

课程表问题是NP完全类问题.近些年来人们尝试着用进化算法求此问题.本文根据大学编排课表的特点设计了一种全新的编码和适应值函数,并应用遗传算法求解.试验说明了该方法的可行性和有效性.     

用遗传算法求解课程表问题

课程表问题是NP完全类问题.近些年来人们尝试着用进化算法求此问题.本文根据大学编排课表的特点设计了一种全新的编码和适应值函数,并应用遗传算法求解.试验说明了该方法的可行性和有效性.     

遗传算法及其应用

遗传算法是模拟生物进化机制新发展起来的一种搜索和优化方法，它是基于自然进化机制并且在寻找目标函数或在目标函数附近解决优化问题，遗传算法已在许多领域得到应用。并显示出良好的发展前景．本文介绍了一些优化方向的基本问题，包括理论、方法、实现技术以及应用中的普遍性问题，对其应用前景进行了展望．     

基于遗传算法的神经网络优化

神经网络和以遗传算法为代表的进化算法都是仿效生物处理模式来获得智能信息处理功能的理论,其中,神经网络已被广泛应用于智能控制系统优化,信号及信息处理,模式识等领域,而遗传算法则是模拟生物的进化现象（处然淘汰,交叉,变异等）,不表现复杂现象的一种概率搜索方法,以达到快速有效地解决各种困难问题。但神经网络和遗传算法目标相近而方法各异,因此,将这两种方法相互结合,必能达到取长补短的作用,近年来,在这方面已经取得了不少研究成果,形成了以遗传算法与神经网络相结合的进化神经网络（ENN）。本文以综述的形式总结了遗优越传算法在神经网络训练中的应用情况。     

基于遗传算法的智能组卷研究与实现

通过研究提出了一种基于遗传算法的智能组卷算法,对基本的遗传算法进行了两次改进,既充分扩大搜索范围,又保证每次迭代都保留好的个体。其次,对遗传算法中的交叉概率和变异概率按个体的适应度大小进行自动调整。这样,既不会破坏高适应度的个体结构,又克服了搜索速度缓慢的现象,从而有效地提高了组卷的速度和质量。实验结果表明:改进的算法明显改善了算法全局寻优能力,加快了收敛速度,并具有较高的鲁棒性。     

并行遗传算法综述

并行遗传算法综述王大明毛宗源（华南理工大学自动化系,５１０６４１,广州）关键词：遗传算法;并行;进化算法中图分类号：ＴＰ１８遗传算法是一类基于自然选择和遗传学原理的有效搜索方法,许多领域成功地应用遗传算法得到了问题的满意解．虽然ＧＡｓ通常能在合理的时...     

遗传算法及其应用

遗传算法是模拟生物进化机制新发展起来的一种搜索和优化方法,它是基于自然进化机制并且在寻找目标函数或在目标函数附近解决优化问题.遗传算法已在许多领域得到应用,并显示出良好的发展前景.本文介绍了一些优化方向的基本问题, 包括理论、方法、实现技术以及应用中的普遍性问题,对其应用前景进行了展望.