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．     

关于两个随机变量序列共同收敛性的一个充分条件

本文简要的论证了在一定的条件下一个随机变量序列的某种收敛性可以由另一个随机变量序列的这种收敛性得到,从而为判断一个随机变量序列的这种收敛性提供了一种较为简便的方法。     

关于随机变量序列收敛性关系的探讨

在完备的概率空间（Ω,F,P)下,讨论了实值随机变量序列{ζn}的完全收敛,几乎处处收敛、r次平均收敛、依概率收敛、依分布收敛之间的相互关系,得到若干有意义的常用结论。     

随机变量列的收敛性及其相互关系

给出了随机变量列的依概率收敛、依分布收敛、几乎必然收敛的定义,举例说明了其应用,并研究了三种收敛性之间的相互关系.     

十进制遗传算法的收敛性分析

十进制遗传算法是一种模拟生物进化的最优化搜索方法 ,由于其稳定性好、不需要计算目标函数的导数和能处理多维数值问题 ,十进制遗传算法在科学研究和工程技术中得到了广泛运用。通过对十进制遗传算法的收敛性进行分析 ,为改进十进制遗传算法奠定了理论基础     

NA阵列的收敛性

建立了NA阵列的一个概率不等式及相关的矩不等式,研究了NA随机变量阵列的依概率收敛性、完全收敛性和几乎处处收敛性.     

随机过程的广义收敛性

给出了一个随机过程{Xt}依概率收敛的充要条件,同时也证明了与{Xt}同极限的几乎处处收敛的随机过程{Yt}也有相同的结论.因此在很多情况下,人们将{Yt}化为{Xt}来研究{Yt}的收敛性;而在其他情况下(除了假设{Xt}与{Yt}是a.s.等价外),人们就要研究{Yt}的一个序列的收敛性.此种处理方法为处理大量旧的与新的分支过程提供了一个一致逼近的途径.     

遗传算法数学机理分析

对遗传算法（或基因算法）进行了较详细的分析与论述,包括SGA一般模型,GA模式定理,并利用齐次有限Markov链证明了SGA的非全全局收敛性和OMSGA的全局收敛性。     

关于随机变量序列收敛性关系的探讨

在完备的概率空间 (Ω,, P)下,讨论了实值随机变量序列 {ξ n}的完全收敛、几乎处处收敛、 r次平均收敛、依概率收敛、依分布收敛之间的相互关系,得到若干有意义的常用结论。     

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。     

一种相对快速收敛的遗传算法的探讨

GA作为一种新的全局优化搜索技术比起其他搜索算法,优点明显,其不足之处是当搜索具有复杂染色体结构的求解空间时收敛速度慢。针对这问题提出了一种改进的相对快速收敛的GA算法的思路:增加对染色体的分割与重组操作,依据于各段的结构和段长,组成段群体,对其实施遗传操作以寻找优化段,重新组合成完整的染色体来搜索优化解。     

一种提高遗传算法全局收敛性的方法

通过对遗传算法过早收敛原因的分析,认为遗传算法出现过早收敛主要与问题解的分布状况、种群个体的分布情况及遗传算子的应用有关,提高算法全局收敛性能的核心就是如何使算法科学地处理种群多样性及识别个体对全局收敛性能的作用·提出几类与遗传算法全局收敛性能关系较大的个体,并结合小生境进化共享函数思想,形成一种旨在提高遗传算法全局收敛性、求解全局最优解的遗传算法,仿真结果验证了这种算法良好的全局收敛性能·     

基于种群过早收敛程度定量分析的改进自适应遗传算法

分析了现有的一些改进算法所提出的评价种群过早收敛程度的指标,讨论了它们的不足,提出了一个概念清楚,运算量小的新指标,并利用该指标给出一种新的交叉概率,变异概率自适应调整策略。仿真实例表明,该方法能及时反映种群在进化过程中的过早收敛程度,不仅能加快计算速度,而且还能增强算法的全局收敛性。     

多种群遗传算法在图像恢复中的应用研究

针对目前图像恢复方法中所存在的较多约束和计算求解复杂等问题,提出了一种基于多种群遗传算法的图像恢复方法,并与基于标准遗传算法的图像恢复进行了比较,仿真结果表明,该算法可使图像恢复结果和效率得以较大的改善和提高,具有推广应用价值。     

遗传算法的多样性与收敛性

从遗传算法的选择算子研究多样性和收敛性对求解速度和质量的影响. 通过遗传算法解决TSP问题, 介绍了具有多样性的轮盘赌算子和具有收敛性的标准锦标 赛算子, 在综合考虑多样性和收敛性的基础上, 通过改进提出保留上代锦标赛算子和新锦标赛算子, 并得出结论, 增加其多样性, 会使收敛速度变慢; 加快其收敛速度则会破坏其种群多样性, 从而影响在限定的代数内找到最优解的机会, 并影响最终解的质量. 为更好地解决实际问题, 需折衷考虑多样性和收敛性.     

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.     

面向排课系统的遗传算法改进研究

为了解决实施学分制对排课所造成的困难,改进了排课系统中使用的遗传算法。基于遗传算法的原理以及在排课系统中的应用,指出了交叉和变异概率选择的盲目性,并提出了遗传算法中染色体编码设计和含动态调整参数的交叉变异概率选择的改进措施。采用仿真实验的方式验证了改进后的遗传算法,结果表明,改进算法减少了无效的染色体和交叉变异操作,提高了收敛速度和全局搜索能力,克服了遗传算法的早熟和局部收敛的问题。