并行遗传算法的新进展

并行遗传算法将并行计算机的高速并行性和遗传算法固有的并行性相结合 ,极大地提升了遗传算法的求解速度和质量 .在主从式、细粒度和粗粒度这三类遗传算法并行化模型中 ,粗粒度模型以其较小的通讯开销和对种群多样化 ,获得了最广泛的应用 .本文概括了基于模式定理和有限状态马尔可夫链的遗传算法理论 ,总结了前人在粗粒度模型下开展的理论分析和实践应用 ,并指出并行遗传算法的研究将向异步化 ,理论化和模型化的方向发展 ,而有限状态马尔可夫链是构建并行遗传算法可执行模型的有力工具.     

广义遗传算法及其在水流参数反演中的应用

针对基本遗传算法难以实际应用的困难,吸收加速遗传算法的思想,提出一种考虑隔代遗传、模仿自然界中“附势”行为的广义遗传算法,它能够保持优秀个体的多样性,利用祖辈中的优秀个体变量变化空间作为下一代个体的繁殖空间.广义遗传算法概括了基本遗传算法和加速遗传算法,对它的参数进行不同设定时,可以设计出更多种类的遗传算法.将这种算法用于水流参数反演问题中,结果表明广义遗传算法收敛速度快,反演精度高,因此具有良好的应用前景.     

标准遗传算法的改进方案——加速遗传算法

针对标准遗传算法在实际应用中存在的问题 ,设计了简单遗传算法的一种改进形式——加速遗传算法 ( AGA) ,并对 AGA的有效性和可行性进行了理论分析和实例分析 .     

一种新的改进遗传算法——混合式遗传算法

针对遗传算法应用的局限性,把模糊思想应用到大变异操作中,提出了模糊大变异操作;并结合自适应遗传算法、最佳选择策略机制和过滤操作的思想,提出了一种新的遗传算法结构--混合式遗传算法(hybridgeneticalgorithm,HGA).HGA不仅保证了算法的全局收敛性,而且提高了算法的收敛速度和稳定性.算例验证了算法的优越性能.     

一种改进遗传算法及在多目标优化中的应用

基本遗传算法在求解大规模多目标优化问题时会出现早熟和搜索效率低等问题。针对这些问题,对基本遗传算法引入了邻域操作、自适应策略和混沌优化等多种改进策略,研究设计了一种有机结合各种改进策略的改进遗传算法流程。应用实例的仿真试验表明改进算法可行,且在求解大规模多目标优化问题时较基本遗传算法具有精度和速度优势。     

一种基于自适应遗传算法的聚类分析方法

本文研究了基于自适应遗传算法进行聚类分析的基本原理和实现方法。自适应遗传算法不同于一般遗传算法之处是其交叉互换率与突变率这两个参数随串的适应度值而变化，极大地增强了算法的性能。实验结果表明，遗传算法应用于聚类分析能够搜索到更为精确的聚类中心值，在模式识别、数据压缩等领域有着广泛的应用前景。     

多目标遗传算法及其在自动控制系统设计中的应用

本文研究了多目标遗传算法的特点和方法，将其运用到自动控制系统设计中，并以某系统的控制器设计为例，编制了相应的多目标遗传算法应用程序。程序过程简洁明晰，运行结果证明该法十分有效，说明遗传算法完全可以应用到自动控制领域中。     

广义最小生成树的遗传算法求解及应用

介绍了最小生成树的概念,分析了最小生成树在实际应用中的局限性。引入了节点的度的定义,据此提出了广义最小生成树的概念。采用遗传算法来求解最小生成树,并针对普通遗传算法求解该问题的不足,提出了自调整的变异算子和限制父代个体数目的混合选择策略。通过一个有线电视网络的建模与仿真,表明了广义最小生成树模型的适用性。分别采用普通遗传算法和改进后的遗传算法进行求解,并将结果进行比较,证明了改进后的遗传算法的有效性。     

基于改进BA网络的遗传算法

遗传算法是基于生物进化论设计的一种自然启发式算法,在众多领域都有广泛应用。目前对于遗传算法的研究主要集中于:遗传算法的理论研究、遗传算法的改进及应用。复杂网络是研究由众多个体组成的集体行为和个体间关系的有力模型。为了改进遗传算法性能,在已有的复杂网络与遗传算法相结合的成果基础上,提出了一种基于改进BA网络的遗传算法,实现了对网络结构进一步的改进,并改进了传统遗传算法的选择策略以及为了应对网络中节点的递增采用的种群规模自适应策略,通过数值实验验证了改进算法的性能,结果表明改进算法对于不同类型的函数的寻优能力要优于基本遗传算法以及基于普通BA网络的遗传算法。研究结果对于遗传算法的改进具有一定指导作用。     

遗传算法在农产品质量评判中的应用

遗传算法是一类借鉴这种生物界自然遗传机制的随机化搜索算法，其主要特点是群体搜索策略和群体中个体之间的信息交换，搜索不领带于梯度信息。论述了遗传算法的具体构造步骤。研究了基于遗传算法的神经网络用于农产品质量评判的模型建立与实现，并对遗传算法在苹果、番茄、烟叶和玉米等质量评判中的具体应用作了具体分析。图1，参7。