遗传算法的随机泛函分析

以一般遗传算法为基础,对遗传算法的求解过程进行了形式化描述,分析了遗传算法求解的迭代特性,并对其进行了随机泛函分析。     

单亲遗传算法与传统遗传算法的比较研究

通过对单亲遗传算法（PGA）和传统遗传算法（TGA）的编码方式、遗传算子、运行过程和适值计算等方面的比较分析,指出尽管PGA采用单亲繁殖方式,其遗传操作与TGA有着本质的区别,但PGA的基因重组算子隐含了序号编码TGA的交叉算子的功能,PGA的子代个体保留了父代个体的大部分遗传特征,因此PGA仍属于遗传算法的范畴。     

旅行商问题的遗传算法

旅行商问题属于ＮＰ问题，现在还没有找到有效的解法。本文应用遗传算法对解决此类问题的有效性作了探讨。文中对遗传算子的应用，编码，参数选择及其对收敛的影响等问题作了分析与探讨。     

基于颜色与空间距离的置信度传播立体匹配算法

立体匹配是计算机视觉领域的一个重要研究课题,为了得到准确、稠密的视差图,提出了一种基于颜色与空间距离的置信度传播立体匹配算法.该算法首先将立体匹配表示成马尔科夫随机场模型,然后利用置信度传播方法来解决马尔科夫随机场中的最大后验估计问题,以达到建立稠密视差图的目的.算法中利用了彩色图像的颜色与空间信息建立视差空间图,并使用削减的线性模型来定义视差图的平滑项.采用了标准测试图像进行了测试,结果表明算法具有很好的性能.     

基于遗传算法的非线性参数估计器

提出非线性参数估计的遗传算法方法。遗传算法是一种基于自然选择和自然遗传学机理的全局搜索学习算法。文中介绍了遗传算法的基本原理和参数估计算法。仿真实例验证了该方法的良好特性。     

一种基于遗传算法的最优空间布置方法

空间布置问题是工业生产中的瓶颈问题,因为存在太多的可能组合,容易陷入局部最小解。本文提出一种在空间布置问题中基于遗传算法把空间位置进行编码并通过遗传操作算子进行重定位和改变有限旋转方向策略的全局搜索方法。种群中每一个个体是一种有效的空间分配方案,在遗传算法进化过程中为减少计算时间,提高空间利用率,采用了多种启发式信息如原点策略、边策略、避免重复定位点策略和无悬挂策略等来加速收敛到全局最优解。最后,仿真例子说明了所提方法是工业应用中一种可选方案。     

一种基于遗传算法的新型神经网络设计

神经网络的设计主要集中在网络权值的选取和神经网络结构的确定两个方面 ,与遗传算法结合是目前研究发展的趋势 .本文与一般的基于遗传算法的神经网络设计相比 ,提出一个新型算子—— BP算子 ,并对神经网络的权值和结构同时优化 .仿真结果表明该算法结果比较理想 .     

一种自适应杂交算子的浮点遗传算法

为了提高浮点遗传算法在优化问题时的收敛速度与求解精度,提出了一种基于进化代数和个体适应值的杂交算子,该算子根据每代个体的适应度与进化代数的变化情况自适应调整交叉操作。使杂交向有利于算法收敛的方向进行。通过几个仿真计算的实例,验证了这种杂交算子相对于普通杂交算子能有效地提高浮点遗传算法的收敛效率。     

面向用户的一种遗传算法研究

电子商务的发展对网络服务的多元化提出了更高的要求。WebsiteMaster不仅应该考虑为用户提供内容丰富的服务 ,还应兼顾用户个性化服务的请求。利用遗传算法的理论和方法 ,讨论了一种在WWW上根据用户最近访问的一组页面挖掘出表达用户兴趣信息关联的GMPWS模型、算法及其相应的改进方法 ,并给出了相应的编码方式。在此基础上进行了实例验证和分析     

遗传算法中自适应伸缩搜索空间的方法

在求解优化问题时,与进化策略和进化规划不同,遗传算法依赖于所给定的搜索空间。但对于大多数实际问题,并不知道最优解所在的区域,因而无法给出适当的搜索空间,大大影响了遗传算法的性能。针对这一问题提出了一种自适应伸缩搜索空间的方法,它包括扩展阶段和收缩阶段。前者能够快速找到一个包含全局最优解但较为粗糙的搜索空间,后者则不断地细化这个空间。文中方法可以从任意初始空间出发并很快获得较为精确的上下界。同时,当应用到动态环境时,也能够迅速地适应新的适应度曲面。仿真实验证明了其优越性能。     

基于空间划分的分解算法

充分利用具体优化问题的模型空间结构或性质,往往可以减少搜索的不确定性,提高优化效率.多目的间歇生产调度形成的混合整数规划模型中只有0-1变量和连续变量,而且0-1变量和部分连续变量有对应关系.根据问题的特点将原模型分解为含有0-1变量的优化主问题和连续变量的子问题,并提出分解算法,降低了相应连续子规划的规模和复杂度.从计算复杂度的角度分析分解算法适用的问题情形,并用一个典型的批量生产调度问题进行分析实验,结果表明分解算法可以降低实际计算的复杂度,提高解的质量.     

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。     

基于成长遗传算法的非线性模型预测控制及仿真

非线性预测控制在每个控制周期需要求取控制量,其实质为非线性优化问题。标准遗传算法时间消耗较大,难以用于控制周期较小的系统。首先证明了基于种子策略和精英保存策略的遗传算法能够保证闭环控制系统的渐进稳定性;继而模拟自然界成长过程,利用成长算子改进算法框架,并用爬山法进行实现。在具有强烈非线性的连续搅拌釜式反应器模型上进行仿真试验。试验结果表明,在不损失控制效果的情况下,成长遗传算法有效的降低了时间消耗。     

基于投影寻踪和遗传算法的一种非线性系统建模方法

基于投影寻踪和遗传算法,提出了一种建立非线性系统模型的新方法及其算法实现,并给出了两个仿真算例.仿真结果表明,用本文提出的方法建立非线性系统模型,具有预测精度高、工程实用性好等优点.     

基于主从结构的遗传算法研究

提出一种主-从结构的遗传算法。算法中,主级为全局搜索染色体;从级为局部邻域搜索染色体。通过主-从协调机制和从级转换函数设计,使算法不依赖复杂的编码方式和复杂的遗传算子进行全局精确搜索。通过仿真和比较实验,验证了算法的有效性。     

一种基于遗传算法的小波神经网

网络的优化学习是人工神经研究中的一个重要问题.将遗传算法全局性优化搜索和小波分析的时-频局部性特点相结合,本文提出了一种基于遗传算法学习的小波神经网络--遗传算法小波神经网络(WNNGA).三位异或问题和双螺旋问题的实验结果证明,遗传算法小波神经网络不仅继承了小波分析良好的局部性及其神经网络的学习和推广能力,而且具有遗传算法全局快速寻优的特点,是多层前向神经网络学习的一种理想算法.     

过热器机理模型的遗传算法参数优化方法研究

针对过热器模型各参数存在的强耦合性,提出了基于遗传算法的机理模型参数优化方法。建立过热器数学模型,确定优化参数,应用遗传算法进行优化,直到模型精度达到要求。仿真研究表明,运用该方法建立的过热器模型达到预定精度要求;优化过程自动进行,缩短了建模和优化时间。这种方法具有通用性,简单易行,为火电厂仿真机数学建模和参数优化提供一种新的思路和方法。     

基于对位学习的多目标遗传算法

为了加强非劣排序遗传算法的搜索能力、加快其收敛速度,将对位学习与非劣排序遗传算法相结合,提出了一种用于解决多目标优化问题,基于对位学习的多目标遗传算法,并应用双目标、三目标的测试函数对该算法进行了验证.结果表明,基于对位学习的多目标遗传算法具有较好的收敛性和分布性.     

基于遗传算法的模糊优化研究

针对约束条件、系数和优化变量均为模糊数形式的线性和非线性全模糊优化问题 ,利用模糊数积分排序方法 ,提出了基于遗传算法的模糊优化问题求解方法 ,在该方法中对优化变量采用模糊数编码(每个变量用三个实数编码 ,对应三角模糊数中的 a,b,c) ,最后通过全模糊线性和非线性优化算例 ,验证了方法的有效性.