基于牛顿-遗传混合算法的几何约束问题的求解

将几何约束问题转化为非线性方程组的形式。传统的求解几何约束问题的牛顿法具有较好的局部收敛性,但是对于一些强非线性方程,传统数值法容易导致求解失败,有效性较低。而遗传算法具有较好的全局收敛性。将遗传算法和牛顿法结合起来,引入牛顿-遗传混合算法来求解几何约束问题。在遗传算法中嵌入一个牛顿算子,以发挥传统数值算法在计算速度与计算精度上的优势。将该混合算法应用于几何约束求解,实验表明该算法在解决完备约束和欠约束问题上都获得令人较满意的结果。     

具有倒位算子的图式定理的分析研究

图式定理是遗传算法的基本定理，它给出在选择、交换、变异算子的作用下，遗传算法的某一图式经过一步迭代后在下一代存在的数目的下界。本文将这一定理进行推广，给出了具有倒位算子的图式定理的表达式．并论证了引入倒位算子的必要性。     

求解全局优化问题的智能遗传算法

提出了一种智能遗传算法,该算法融合了5种交叉算子、8种变异算子和5种灾变算子,能根据当前优化结果智能地选择交叉算子、变异算子和灾变算子,在不影响搜索过程随机性的前提下收敛于全局最优解。不同于传统遗传算法,本算法增加了对各种算子优化性能的统计,在优化过程中尽可能使用那些优化性能高的算子,从而提高了智能遗传算法的优化性能。为了验证本算法的性能,采用12种传统遗传算法和本算法同时对20个测试函数进行了求解。最终的数据实例表明,方法是可行的、正确的和有效的。     

基于距离空间的遗传算法分析

通过对简单遗传算法的分析，发现每次执行复制、杂交、变异等操作均相当于对所作用的个体进行一次线性变换，这样，从函数的角度来看，引入非线性变换的遗传算子将是一个有待研究的问题，因而提出了非线性遗传算法。通过对二进制遗传算法的Hamming距离的扩充，引入了一种几何模型-距离空间，并在该空间上对杂交、变异等算子进行了系统的分析。根据分析结果，指出了改进遗传算法的途径，并提出一种改进的二进制非线性遗传算法，仿真实例证明了其有效性。以上分析从几何意义出发，提出了一种全新的分析遗传算子的方法，对遗传算法理论的完善与发展具有重要意义。     

基于遗传算法和最速下降法的函数优化混合数值算法

在遗传算法中嵌入一个最速下降算子，并定义适当的适应度函数和子代个体的选择算子，从而可结合遗传算法和最速下降法两者的长处，得到既有较快收敛性，又能以较大概率得到全局极值的新的用于连续函数全局优化的混合数值算法。数值计算结果表明了本文方法显著优于求解函数优化的遗传算法和最速下降法.     

自调整非线性遗传算法

通过对简单遗传算法的理论分析，得出了复制、杂交、变异等算子的每次作用均相当于对所作用的个体进行一次线性变换。因此，通过对传统遗传算子进行修改，作者提出了非线性遗传算法。本文发现规范化操作对算法的计算效率有很大的影响，并且给出各遗传算子的一种等价线性表示。因此，如果针对不同的优化问题动态的进行规范化操作及遗传算子的选择，将会大大提高算法的效率。本文提出一种新的自调整非线性遗传算法(Self—Ajusting Nonlinear Genetic Algorithm,SANGA)，该算法通过规范化操作的动态选择，结合简单的遗传算子，对算法的效率有很大的提高。仿真结果表明该算法的有效性。     

基于基因权重动态调整遗传算法的编码

针对标准遗传算法中交叉算子容易破坏定义长度较长的优良模式的弱点，提出了一种动态排序编码方法，以提高交叉算子的效率。首先对当前代种群确定基因权重，然后根据基因权重对基因位置进行动态排序，使优良基因变得集中，从而克服了标准遗传算法中交叉算子的弱点。为了避免陷入局部最优，对变异算子进行了改进。最后做了大量实验，并根据实验结果对该方法进行了评述。     

可变种群规模的遗传算法

通过模拟人类进化过程中人口数量的增长规律，提出了一种可变种群规模的遗传算法（VPGA）。VPGA不需要改变现有遗传算法的算子，仅仅通过对现有算法框架的重构，从而获得比现有遗传算法更优的解，而花费的计算代价更小，我们的实验结果表明使用离散逻辑斯蒂模型来控制种群规模的VPGA能够比其他从截观算子上改进的遗传算法更加高效省时。     

基于改进遗传算法的物流配送路径优化

物流配送路径规划对于提高物流配送效率、节约配送成本具有重要意义。以物流配送路径总长度为优化目标,将其转换为经典TSP优化问题进行求解并建立了数学模型。基于该数学模型,提出改进的遗传算法,针对遗传算法的选择、交叉和变异分别提出了基于序的选择算子、基于最小代价树的交叉算子和基于随机点长度控制的变异算子。改进的遗传算法与简单遗传算法的对比仿真实验表明,所改进的遗传算法有较好的全局寻优能力,且其收敛速度快,是解决物流配送路径优化问题的有效方法。     

求解非线性最小二乘全局解基于最速下降法和遗传算法的混合算法

本文通过在遗传算法中嵌入一个最速下降算子,并定义适应度函数、选择算子和数据结构,从而得到可结合遗传算法和最速下降法两者长处,既有较快收敛性,又能以较大概率求得非线性最小二乘问题全局解的混合算法.数值计算表明该方法显著优于遗传算法和最速下降法.     

基于最小二乘算子的混合计算智能辨识算法

基于非线性最小二乘（ＮＬＬＳ）法和遗传算法（ＧＡ）思想，通过定义ＮＬＬＳ算子、适应度以及混合数据结构，得到非线性回归模型非线性参数的混合计算智能辨识算法，该算法结合ＧＡ和ＮＬＬＳ法两者长处，即有较快收敛性，又能以较大概率求得全局（一致收敛）估计。计算结果表明该方法显著优于ＧＡ和ＮＬＬＳ法。     

元胞蚂蚁算法的收敛性分析

提出一种新的优化算法，元胞蚂蚁算法，该算法将元胞自动机的邻居和规则引入传统的蚂蚁算法，实验结果证明该算法可行且有效，有良好的全局优化能力。定义元胞蚂蚁算法的求解迭代过程为一个概率测度空间中的随机算子，利用随机不动点理论，证明了该算子为连续压缩算子，存在唯一的随机不动点，从而给出了元胞蚂蚁算法的收敛性的论证，为算法奠定了相应的理论基础。     

自调节遗传算法的研究

通过对普通遗传算法选择，交叉，变异三个算子的深入分析，揭示了早熟现象产生的原因，并数学证明了选择算子是早熟现象的主要原因，在此基础上设计了一种变异概率可以自调节的基因移民遗传算法，提出了群体相异度指标来衡量多样性，通过相异度的自动地调节变异概率的大小，确保群体的多样性来避免早熟现象的出现，最后，应用马尔可夫链数学工具从理论上证明了该算法是收敛的，实验表明：该算法具有一定的通用性，适合于实际的工程计算。     

基于RBF 神经网络的调制识别

针对通信信号这种非稳定的、信噪比(SNR)变化范围较大的信号,利用遗传算法训练的径向基神经网络分类器对各种调制信号的特征矢量进行分类识别,充分发挥径向基神经网络的广泛映射能力和遗传算法的全局收敛能力,并在遗传算法中加入了梯度下降算子,克服遗传算法收敛速度慢的缺点,加快了遗传算法训练神经网络的速度,使得分类器的识别率和鲁棒性得到明显改善。仿真实验的结果证明了此方法的有效性和可行性。     

一种小种群自适应遗传算法研究

分析了变异算子在标准遗传算法和自适应遗传算法中的作用和当前研究的不足,提出一种新颖的能够大大提高遗传算法性能的变异策略,并进而提出一种小种群自适应遗传算法.该方法在采用赌轮选择和单点交叉的情况下,利用一种可伸缩的变异策略使得算法在探测和开发之间取得很好的平衡,从而能够用小规模的种群进行有效的全局搜索和局部搜索,避免早熟收敛,并能够以较快的速度收敛到全局最优解.对多峰函数的仿真实验表明了算法的有效性.     

遗传算法在卫星广播调度中的应用

提出了一种基于遗传算法的卫星广播调度算法。利用新的编码方法,把卫星广播调度问题和寻找满足约束条件的矩阵优化问题相对应,通过设计相应的遗传操作算子提高遗传算法的收敛性能,从而较好地实现了利用遗传算法对卫星广播的调度。在卫星个数相同条件下对三种有代表性的卫星广播调度要求进行了实验比较,说明了不同的调度要求对收敛速度的影响。遗传算法的性能决定了本文所提出的算法适用于不同规模的卫星广播调度问题,实验表明该算法是一种收敛速度快,稳定性强的高效卫星广播调度算法。