基于规则和遗传算法的实验室排课算法研究

为解决实验室排课这一NP组合优化问题,设计了基于规则和遗传算法的实验室排课算法.首先对用到的数据库和数据结构进行了定义,然后采用遗传算法进行排课,最后引入排课规则解决对实验室按优先级排课的问题.同时,也给出了一种排课冲突的解决方法.实验证明该算法能很好地解决实验室排课问题.     

改进遗传算法在排课问题中的应用研究

分析了遗传算法在排课问题中的应用,针对遗传算法容易早熟收敛的问题,提出了改进的混沌遗传算法,将遗传操作中的交叉和变异操作用混沌交叉和混沌变异取代,充分利用混沌算法优化搜索技术,保证种群多样性,提高算法全局寻优能力。该算法应用于实际排课中,得到的排课方案更好地满足了约束条件,排课效果良好。     

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。     

遗传算法在排课问题中的应用

在分析造成排课困难的各种因素的基础上,将遗传算法运用到解决排课问题中.并给出了该算法的详细设计（文中采用了二进制编码和矩阵编码相结合的编码方法;给出了带有权值的适应度函数;对染色体中的时间码采用映射同/异或交叉;采用两点变异的变异方法）和排课模型;很好地解决了多约束条件下的排课问题.     

基于遗传算法的时间表问题研究

时间表问题是一类特殊的调度问题,排课问题是它的一个实例。排课问题是一个多因素的优化决策问题,遗传算法被广泛应用于解决多目标优化问题。本文根据排课问题的特点,给出了排课问题的数学模型,提出了一种基于遗传算法的解决方法。     

基于遗传算法的高校自动排课系统的研究

遗传算法是一种通过模拟自然进化过程搜索最优解的方法,应用也非常广泛;在自动排课系统中运用遗传算法可以实现教学资源的合理分配,避免发生各种冲突。     

遗传算法在中小学排课系统中的应用

分析了中小学排课的数学模型,根据遗传算法本身特点设计了一种数据结构基因编码及几个涉及到的优化目标评价函数,提出了利用遗传算法解决排课问题的方法,并通过试验验证了该方法的有效性和可靠性.     

排课系统中混合算法的应用研究

排课系统比较复杂又具有智能特点,其算法主要有模拟手工算法、回溯算法、遗传算法、贪心算法等.在软件开发过程中,发挥每种算法优点以提高排课的科学性、高效性和合理性是个重要课题.结合成功研制排课系统的经验,阐述了不同算法的应用,提出了通过所有算法的混合应用解决排课问题的方法.     

基于遗传算法的高校排课问题的探究

随着高校招生人数的不断扩大,专业和课程的设置不断增多,教师和教室的短缺,使排课工作也越来越复杂。排课具有影响因素多、约束条件复杂以及存在不可预料的情况发生等特点,传统的手动排课既花费了大量的时间和精力,而且又容易出错。因此,利用遗传算法求解排课问题．其搜索过程带有自组织的智能性和并行性,可以更少地依赖于实际问题的情况,实现课表的优化,具有一定的实用价值。     

免疫遗传算法在排课问题中的应用

将基于疫苗和免疫规划的免疫遗传算法应用于排课问题中,并结合贪心策略,提出一种适于解决多软约束条件的排课方案.方案中,针对软约束条件特征和教务经验提取疫苗,对遗传算法的缺点进行弥补.通过将该算法应用于具体课程编排,证实了该方法优于传统的遗传方法.     

基于遗传算法的铂电阻温度传感器非线性校正方法

遗传算法是具有全局寻优特点的一种新型最优化方法．针对铂电阻传感器经验公式的非线性问题使用遗传算法对其进行了优化研究．简要地介绍了遗传算法的基本原理和运算规则,具体地描述了使用遗传算法实现铂电阻传感器系数拟合的步骤和程序．作为一种有效的优化手段,能够完成优化软件具有的功能,具有一定的工程应用价值．     

直线单级倒立摆自抗扰控制优化设计

自抗扰控制技术（ADRC）通过对模型不确定因素和外扰进行补偿,使得控制系统对外扰和不确定因素均有很好的适应能力,能够有效控制多种工业上较为难控的对象,表现了极强的鲁棒性和抗干扰性,但是ADRC参数众多难以调节．本文将生物免疫算法与遗传算法相结合,提出了一种基于免疫遗传机理优化计算模型,避免了遗传算法易出现早熟、搜索效率低及不能很好保持个体多样性等问题,给出了基于免疫遗传算法的ADRC参数整定方法,通过对直线单级倒立摆的自抗扰控制,仿真实验表明了通过免疫遗传算法整定的ADRC具有的良好控制效果．     

遗传算法中的加速进化技术

自20世纪80年代以来,遗传算法在工程优化领域获得了广泛应用,遗传算法对数学模型要求不高,具有一定的隐性并行性,能同时在搜索空间大范围搜索,因而不易陷入局部最优解,然而,在实际应用中发现,仅有交叉算子和变异算子的传统遗传算法,局部搜索能力不强,容易出现种群早熟,进化结束时往往收敛到最优点附近而达不到全局最优点,为此借鉴了传统优化方法中的搜索技术,开发了几种算子用以强化遗传算法的局部搜索能力。算例表明,这几种算子能提高遗传算法的搜索性能,不论是搜索效率还是解的质量均有所提高。     

一种基于基因遗传算法的诊断问题求解方法

基因遗传算法是一种基于达尔文进化论思想的新的优化算法，它是对生物进化过程中繁殖、变种和自然选择等规律的模拟。作为一种进化论的数学模型，基因遗传算法在解决大空间的搜索和组合优化问题等方面具有独到的功效。本文在概率因果诊断模型的基础上，应用基因遗传算法解决了诊断中具有组合瀑炸数的多故障同时性诊断问题。     

电力系统负荷预测的加速基因方法

将改进的基因算法应用于某省电力系统负荷预测,取得了十分满意的效果。并与灰色预测方法进行了比较,证明用基因方法预测是优越的。     

用MATLAB求解TSP问题的一种改进遗传算法

TSP问题是遗传算法得以成功应用的典型问题.提出一种改进的义叉和变异算子来解决TSP问题,并给出其算子的MATLAB程序.通过实验,发现改进的算法比传统算法收敛速度更快,适应值更优,说明改进算法是有效的.     

基于遗传算法模拟退火算法解决修边损耗问题

纸箱包装行业是一个传统的产业,在纸箱生产中需要拼单来降低修边损耗以减少成本。本文根据生产上的实际经验提出了问题的数学模型,针对该模型,本文将遗传算法和模拟退火算法结合,解决了遗传算法的收敛过快以及局部搜索能力不强的问题。在选择操作中直接保存优秀个体,来增强算法的收敛性。在变异和交叉操作中采用自适应的变异和交叉概率,增强了搜索解空间的均匀性,并引入了记忆功能,最终获得问题的近似最优解。     

基于改进遗传算法的多维函数的优化计算

针对标准ＧＡｓ在多维优化中存在的弊端,提出了一种改进ＧＡｓ,在染色体基因解码方式,交换与变异算子、适应函数设计等方面做了改进。通过对极难优化函数的优化计算,说明该算法有良好的全局搜索能力和较快的收敛速度。     

格雷码混合加速遗传算法及其性能分析

通过在格雷码遗传算法进化过程中加入单纯形法学习算子,并利用格雷码遗传算法和单纯形法所得到的优秀个体群,作为变量新的变化范围,逐步缩小搜索空间,自动向最优解收缩,提出了求解非线性规划问题全局解的一种快速算法--格雷码混合加速遗传算法(GHAGA).为了在可行域内能得到全局最优解,在参数的定义域内投放了大量的均匀随机初始点作为初始群体.给出了GHAGA算法实施的详细步骤,建立了GHAGA相应的收敛定理,并分析了该算法的全局优化性能.理论分析和数值模拟表明,GHAGA具有精度高、收敛速度快的特点,是一种既可以较大概率搜索全局最优解,又能进行局部细致搜索的较好的非线性规划方法.     

基于遗传算法的地下遗址GPR数据分析

作者以遗传算法（Genetic Algorithm）为手段，介绍一种探地遥感数据分类的新方法。从一系列EM雷达信号图像获得的必要的物体相关信息，基于简单遗传算法（SGA）对其进行数据采集处理可达到较好结果。图像经过与处理后，探测目标定位任务转换为曲线拟合。除了利用SGA的遗传性，在解决实际问题时加入了专家经验和环境条件。和传统的分类方法相比，遗传算法(GA)咋usouxun目标的速度和准确度上都有所提高。作者提出了在遗迹探测领域中对地下物体进行定位的一种可行的方法。在今后的工作中将使用复杂GA进行遗迹的三维建模。