遗传算法在系统辨识中的应用

对遗传算法的机理和实现步骤进行了介绍,综述了遗传算法在系统辨识中的应用.针对不同的辨识模型,讨论了遗传算法不同的应用形式,研究了遗传算法结合神经网络技术在系统辨识中的应用,最后探讨了遗传算法在系统辨识中的研究方向.     

遗传算法在系统辨识中的应用

对遗传算法的机理和实现步骤进行了介绍,综述了遗传算法在系统辨识中的应用.针对不同的辨识模型,讨论了遗传算法不同的应用形式,研究了遗传算法结合神经网络技术在系统辨识中的应用,最后探讨了遗传算法在系统辨识中的研究方向.     

软土基坑开挖位移反分析的改进遗传算法

为克服简单遗传算法中的早熟和微调能力差的缺陷,提出了改进遗传算法.首先,针对简单遗传算法的早熟现象,引入了小生境技术;其次,针对简单遗传算法微调能力差的缺点,引入了优化方法单纯形法,进而提出了改进遗传算法;最后,将改进遗传算法引入到软土基坑开挖位移反分析中,开发了相应的位移反分析计算程序.数值试验表明:改进遗传算法能较好克服简单遗传算法中的早熟和微调能力差的缺陷.     

改进型遗传算法及其应用研究

针对基本遗传算法较容易陷入局部最优点和迭代次数多的缺点,该文对选择、交叉及变异改进策略进行了分析,给出了改进型遗传算法,并与基本遗传算法在多峰函数优化中的应用进行了比较.结果发现,改进型遗传算法在遗传代数及收敛次数方面均有较大的改善.最后,给出了改进型遗传算法在电力电子器件模型参数辨识中的应用结果.     

基于免疫算法的电子渠道软件测试用例生成

提出了一种基于免疫遗传算法的电子渠道软件测试用例生成模型,并介绍了免疫遗传算法的基本思想.通过将免疫遗传算法与传统遗传算法和随机算法在电子渠道软件测试用例生成中的比较,说明了免疫遗传算法的效率明显高于传统遗传算法和随机算法,同时也进一步验证了模型的正确性、可行性.     

遗传算法的实现及其应用

遗传算法(GeneticAlgorithm)是一类借鉴生物界的进化规律(适者生存,优胜劣汰遗传机制)演化而来的随机化搜索方法.迄今为止,遗传算法已成为进化算法中最广为人知的算法.我们针对遗传算法在优化求解上具有的独特优越性,对遗传算法进行了初步的研究,通过实现对其在具体问题中的优化求解,来达到熟悉和掌握遗传算法的目的,并在此基础上进一步对遗传算法在科学与工程中的运用加以体会.     

信息检索中的遗传算法应用研究

讨论了遗传算法(GA)在信息检索中的应用.首先简要介绍遗传算法并给出了基本遗传算法(SGA)的伪代码描述;其次从查询优化、结构化文档检索、排序函数设计与选择三方面探讨了信息检索中的遗传算法的研究现状和应用情况,详细介绍了特定于信息检索问题而设计的遗传操作;最后讨论了目前遗传算法在信息检索应用中存在的不足、面临的问题和可能的解决方案与发展方向.     

自适应遗传算法在视频摘要中的应用

提出了一种基于自适应遗传算法的视频摘要模型.通过采用标准种群多样性和健康种群多样性来控制遗传算法中的3个关键算子:交叉、变异和选择.结果表明,在视频摘要的研究中提出的自适应遗传算法避免了传统遗传算法局部收敛的问题,可以保证种群的多样性和算法的不断寻优能力,视觉效果更好.     

遗传算法的研究及其在函数优化中的应用

遗传算法是一种基于生物自然选择与遗传机理的随机搜索与优化方法.在文中介绍了遗传算法的初始群体的生成、交叉算子、变异算子.在分析了基本的遗传算法的特点和缺陷的基础上,提出了改进的方法.改进的遗传算法在函数优化中的应用具有较好的效果.     

基于关系代数的遗传算法模型及其应用

运用选择、投影、广义笛卡尔积等关系代数运算 ,给出了遗传算法的搜索空间及个体、遗传算子和搜索最优解过程等关系代数形式的描述 ,建立了遗传算法的关系代数模型 ,给出了遗传算法的数学解释 .然后 ,给出建立遗传算法关系代数模型的意义 ,说明了数据挖掘和知识发现应用于遗传算法的可行性 .最后 ,用该模型描述了 2个常见用遗传算法解决的问题 ,即TSP问题和交互式遗传算法中的服装设计问题 ,结果表明该模型的可行性 .     

案例注入式遗传算法在大学课程表问题中的应用

遗传算法在解决大学课程表问题过程中往往采用随机方式来初始化种群,这就造成了运算量变大和复杂度增加等情况,从而影响了算法的性能.提出了一种改进的遗传算法——案例注入式遗传算法,该算法利用基于案例的推理对遗传算法进行初始化,以此加快算法的收敛速度.     

模拟进程调度的时间表求解算法

从分析进程调度与时间表问题的共性、探索时间表求解的数学模型出发,介绍了一种时间表问题求解的算法,并分析算法复杂度．该算法适用于时间表在现实环境中的各种应用．     

基于人工智能原理的大学课表编排模型

针对涉及因素多、结构复杂的大学课表编排问题,文章采用人工智能及专家系统的知识,成功地构造出大学课表编排的数学模型及有关编排算法。对排课的死锁问题进行了有效的处理,并用Ｆｏｘｐｒｏ实现了课表的自动编排,运行效果良好。     

时间规划中D_时刻表的改进算法及应用

对既存在时间关系约束又存在时间宽度约束的n个事件,用时间规划的D_时刻表算法,可以求得2n个端点集的一个有序划分,该划分满足所有的约束条件.我们在应用中对算法进行了一些改进,增加了矩阵化简过程中的合并链和空事件,提高了算法的实用性.     

基于随机需求的接运公交时刻表的鲁棒性优化方法研究

接运公交需求的随机性会对接运公交时刻表的编制与投入运营产生扰动影响. 为降低此不利影响,基于鲁棒性思想研究了随机需求下接运公交时刻表的优化方法. 随机接运公交需求的每一组实现为一个情景,情景目标值综合考虑乘客成本与运营成本的最小化. 以接运公交需求为随机变量,建立了接运公交时刻表的鲁棒性优化模型,模型综合考虑情景的期望值与偏差期望值最小化. 模型具有组合优化与随机规划特性,选用遗传算法进行求解. 最后给出算例验证了模型与算法的有效性. 算例结果表明随着偏差权重系数的提高,鲁棒性模型更倾向于降低随机需求带来的扰动.     

大学考试时间表问题的混合遗传算法求解

考试时间表问题是一类典型的组合优化问题,也是NP难问题。分析了大学考试时间表编排的特点,给出了一种解决考试时间冲突的自动生成考试时间表的可行时段-查找算法。为进一步解决时间间隔问题,将可行时段-查找算法嵌入到遗传算法中形成混合遗传算法。实验结果表明,本文提出的混合遗传算法能快速、有效的解决大学考试时间表问题。     

课程表自动编排系统的设计与开发

给出了课程表自动编排系统的设计与开发过程,并着重讨论了自动编排算法中的动态优先、复合条件搜索及有限回溯问题．     

大学课程表问题的模型与算法

课程表问题(Tinletabling problem．简称TTP)是时间表问题之一，也是NP难问题。根据大学授课形式的特点建立了大学课程表问题的数学模型．并给出了求解该问题的遗传算法。为了提高解的质量和加快收敛速度，当相同时问段内班级重复出现时，给出了寻找可能的新位置的方法，并将其嵌入遗传算法，实验结果表明该方法是可行和有效的。     

考虑延误与班期限制的多商品流多式联运方案优化

针对不确定时间影响的多商品流多式联运方案优化问题,以空铁联运为主,将运输时间转化为确定运输时间和不确定延误时间,同时考虑班期限制影响,以收货时间窗限制、准时率、运力等为约束条件,以所有订单总运输成本、运输时间和碳排放最小为目标,构建多商品流多式联运方案优化模型,并基于改进的非支配排序遗传算法Ⅱ(non-dominated sorting genetic algorithmⅡ,NSGA-Ⅱ)进行模型求解。实证分析表明：相对于无延误和班期限制,延误和班期限制均导致各目标值呈现不同程度增加;随着延误程度增加,总运输时间逐渐增加,而总运输成本还受到班期限制的耦合影响,呈现先减小后增加的周期性变化;碳排放量与运输成本呈现一致变化趋势;最后采用多属性决策方法获得考虑综合满意度的最优运输方案。研究结果可为实际中多式联运方案设计与优化提供参考。     

利用遗传算法求解大学课表问题

课表问题是一个多因素的优化决策问题,在分析大学课表问题的基础上,设计了一种全新的、基于三维数组的二进制编码方式及几个优化目标评价函数,用遗传算法求解,并通过实验证明这种方法大大提高了遗传算法的效率。