多群体阶段性杂交遗传算法

借鉴生物遗传学提出了一种多群体阶段性杂交遗传算法。引入相对顺序交叉算子对标准遗传算法进行了改进。为验证该算法的性能，对旅行商问题进行了求解，采用多群体和阶段性杂交的改进策略，并分别和标准遗传算法进行了比较。计算结果表明，该方法能较好地保证个体多样性，并能促进优秀基因型的杂交和遗传，在收敛和鲁棒性方面优于一般的单群体、非杂交算法。另外，将其应用于水电站优化调度也取得了较好的效果。     

基于改进量子遗传算法的图像匹配算法研究

量子遗传算法是目前较成熟的全局优化算法,对于多目标的优化有独特的高效性和精确性。图像的匹配过程可以近似地看作在搜索目标函数图像相似性的最优解,而目标函数的变量则可用几何参数代替,因此对图像匹配算法的研究可以归结到量子遗传算法的全局寻优。然而,图像匹配中特征参数较多,维度较高,如果使用量子遗传算法(QGA)匹配,就会陷入局部寻优的状况,为了避免此现象的出现以及提高多维高峰环境下的匹配成功率,提出了改进的量子遗传算法,新算法在迭代中后期得到优秀解之时发挥作用,保留最优解,初始化其余个体。该方法一方面帮助算法跳出局部寻优,另一方面增加了群体多样性,进而提高了图像匹配的成功率以及效率。     

并行遗传算法收敛性分析及优化

针对并行遗传算法（parallel genetic algorithms，PGA）容易出现收敛过快和陷入局部最优解的问题，综合多种不同进化策略遗传算法之所长，设计了一种混合的粗粒度并行遗传算法。该算法由多个独立的子群体组成，各个子群体并行的、独立的、按照不同的遗传进化策略进化，每隔一定的时间，在子群体之间进行最优个体的迁移，促进群体的共同进化，并抑制群体早熟。在PVM环境下，用该算法实现函数优化问题，仿真实验数据表明了其有效性．     

改进小生境遗传算法在元搜索引擎调度优化中的研究

针对多独立搜索引擎组合调度时查询精度、查询完全度和响应时间不理想等问题,结合元搜索引擎调度特点对多独立搜索引擎组合调度进行动态优化。文中借鉴小生境思想,将小生境技术与遗传算法、相结合,提出了一种多目标组合优化调度的改进小生境遗传算法。该算法使每个个体在其小生境内进行局部寻优操作,保证了群体的多样性,增强了局部搜索能力,抑制了种群的早熟现象。在多个子目标不能同时达到最优时,采用个体综合适应度对各个目标函数的适应度进行加权,来协调优化各搜索引擎的组合,找到搜索引擎组合调度序列的非劣解。仿真实验结果表明该算法提高了元搜索引擎的调度效率,在查询精度和计算速度上均优于常用的查询优化技术。     

改进小生境遗传算法在元搜索引擎调度优化中的研究揪

针对多独立搜索引擎组合调度时查询精度、查询完全度和响应时间不理想等问题,结合元搜索引擎调度特点对多独立搜索引擎组合调度进行动态优化。文中借鉴小生境思想,将小生境技术与遗传算法相结合,提出了一种多目标组合优化调度的改进小生境遗传算法。该算法使每个个体在其小生境内进行局部寻优操作,保证了群体的多样性,增强了局部搜索能力,抑制了种群的早熟现象。在多个子目标不能同时达到最优时,采用个体综合适应度对各个目标函数的适应度进行加权,来协调优化各搜索引擎的组合,找到搜索引擎组合调度序列的非劣解。仿真实验结果表明该算法提高了元搜索引擎的调度效率,在查询精度和计算速度上均优于常用的查询优化技术。     

改进的人工鱼群混合算法在智能组卷中的应用

现有的智能组卷多采用单一算法,而每种算法都有其各自的缺点,针对此缺陷提出了结合人工鱼群算法和遗传算法的优点组成混合智能组卷算法.在智能组卷开始时,采用人工鱼群算法快速靠近组卷目标,在组卷过程中,当最优个体在连续多个迭代过程中无变化或变化极小时采用遗传算法对人工鱼个体进行跳变,提高收敛速度.通过模拟计算证明,该混合智能算法能有效地优化其中单一算法独自进行智能组卷的成效     

基于自适应遗传算法的网络化制造盟员选择研究

针对网络化制造中动态联盟盟员选择优化问题,分析了盟友的评价指标体系,建立了盟友选择的多目标优化模型,并在此基础上提出一种自适应遗传算法.该算法设计了自适应交叉和变异概率, 使其在遗传过程中根据适应度自动选择, 从而使群体中每个个体对环境的变化具有自适应调节能力.通过保持迭代过程的最优解, 加快了搜索速度, 并保证收敛于全局最优解.     

一种基于模糊逻辑引入偏好信息的多目标遗传算法

针对多目标优化存在多个非支配解、用户难以挑选的问题,该文提出一种交互式引入决策者偏好信息的多目标遗传算法.该算法使用一种新型的九级标度赋值法把决策者通过语言表达的偏好信息量化为各目标的重要性因子,采用模糊推理系统构造一种基于偏好信息的"强度优于"关系替代常规的"Pareto支配"关系,以比较个体之间的优劣.对算法的计算复杂度进行了理论分析.仿真实验表明,该算法具有实时处理偏好信息的能力,与2种经典多目标遗传算法相比,该算法能够搜索到质量更优的解.     

基于MPICH平台的多种群并行遗传算法

提出了一种基于集群系统的多种群并行遗传算法，在集群系统的软件开发环境MPICH上构建了多种群粗粒度并行遗传算法框架．采用全局迁移方式交换通信域中各子群体的个体信息，并通过模拟退火规则来确定迁移代频．利用该算法框架对一类优化问题——N维目标函数的最小值问题，给出了具体的实现方法．最后对该类问题的两个实例进行了测试，基于该实例的测试数据对论文提出的算法进行了性能分析．结果显示，算法具有线性加速比，而且解的精度随着并行进程数量的增多而提高．     

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．     

基于遗传算法的超声速二维进气道优化设计

首先介绍了基本遗传算法,并由基本遗传算法演化出小生境遗传算法.应用简单的测试函数对两种遗传算法进行测试,对两种遗传算法进行比较.然后应用小生境遗传算法对二维超声速进气道进行优化设计.在单目标优化设计中,以最大总压恢复系数为优化目标,在多目标优化设计中分别顾及到总压回复系数要求最大和增压比也要很高.在对进气道的优化设计之后,对单目标优化和多目标优化的结果进行比较.     

改进的混合遗传算法的组卷系统模型及算法

在基本遗传算法基础之上,针对试题库组卷系统对算法进行改进,设计了一种运用于组卷系统的数学模型和混合遗传算法,从而提高组卷质量和系统的通用性。     

Genetic Tabu Search for the Multi-Objective Knapsack Problem

We introduce a hybrid algorithm for the 0 - 1 multidimensional multi-objective knapsack problem.This algorithm, called GTS^MOKP, combines a genetic procedure and a tabu search operator. The algorithm is evaluated on 9 well-known benchmark instances and shows highly competitive results compared with two state-of-the-art algorithms.     

混合遗传算法在随机规划问题中的应用

以含有机会约束的生产管理动态规划问题为例,基于随机模拟技术的混合遗传算法实现最优化决策,构造了数学模型。采用ＶＢ编辑,计算机模拟结果显示该模型能很好解决生产过程中的最优化决策问题,它是简单的基于二进制编码的遗传算法所不能解决的。该算法具有很高的鲁棒性,避免了在局部最优解附近徘徊,且因为随机规划问题要求许多数学知识,而算法本身并不要求对优化问题的性质作一些深入的数学分析,从而对那些不太熟悉数学理论和     

工艺路线可变车间作业调度的杂合遗传算法

针对工艺路线可变的车间作业调度，提出一种将遗传算法与启发式规则、模拟退火法等搜索方法结合在一起的杂合遗传算法。通过对某双极型集成电路封装企业的车间作业调度仿真，结果表明它是有效可行的。     

基于MATLAB平台的遗传算法工具包

在分析遗传算法要素的基础上,编写了基于Matlab的遗传算法工具包（GAToolbox）,该工具具有运行稳定,结构灵活,扩展方便的特点,并易与Matlab的其他工具包结合使用,给出了Matlab遗传算法工具包的三个成功应用实例;1）采用遗传算法工具包构造递阶遗传算法,2）基于遗传算法的径向基径神经网络学习算法;3)遗传算法优化化工过程操作条件,说明Matlab遗传算法工具包的稳定性和实用性。     

混合多目标遗传算法在电力系统经济调度中的运用

针对电力系统经济调度问题的多目标特性,提出了一种混合多目标遗传算法．算法除了改进传统目标函数加权法使之更适于多目标优化问题之外,还利用模糊逻辑技术来自适应调整交叉概率、交叉点位置以及变异概率,使算法具有优良的收敛性能．     

基于脑模型联接控制器的车间布局多目标优化技术研究

该文根据车间物流费用和车间面积2个优化目标，建立车间设备布局多目标优化模型。并根据车间布局优化特点，设计了基于脑模型联接控制器的混合遗传算法对该模型进行求解。该算法具有自学习和自适应的特点。最后给出算例，通过对仿真结果的分析，证明该文所提算法能解决提出的问题。     

一种新的伪并行遗传算法

利用混沌序列的伪随机性,将混沌引入伪并行遗传算法,提出了伪并行混沌遗传算法。对3个检测函数的仿真实验表明该算法能较好地克服早熟现象及收敛速度慢的问题,优于伪并行遗传算法、显著优于标准遗传算法。     

Job-shop Scheduling with Multi-objectives Based on Genetic Algorithms

The technology of production planning and scheduling is one of the critical technologies that decide whether the automated manufacturing systems can get the expected economy. Job shop scheduling belongs to the special class of NP-hard problems. Most of the algorithms used to optimize this class of problems have an exponential time; that is, the computation time increases exponentially with problem size. In scheduling study, makespan is often considered as the main objective. In this paper, makespan, the due date request of the key jobs, the availability of the key machine, the average wait-time of the jobs, and the similarities between the jobs and so on are taken into account based on the application of mechanical engineering. The job shop scheduling problem with multi-objectives is analyzed and studied by using genetic algorithms based on the mechanics of genetics and natural selection. In this research, the tactics of the coding and decoding and the design of the genetic operators, along with the des