利用基因重组策略改进遗传算法

为了克服标准遗传算法的早熟现象，提高遗传算法的全局收敛性，提出了一种基于基因重组策略的遗传算法。该算法定义了一种新的交叉算子，即移位逻辑交叉算子(包括蝶形移位交叉算子和洗牌移位交叉算子)，用它们对染色体的部分基因实现有规律的交叉重组。实验结果表明，该算法比经典的遗传算法具有更好的收敛性和稳定性。     

基于改进遗传算法的前向神经网络

针对遗传算法的主要算子———交叉算子 ,设计了新的交叉算子 ,使个体尽可能地分散在整个解空间 .在具体交叉操作中 ,产生随机个体参与交叉以更好地搜索新的解空间 .并提出了组合变异策略 ,假如对变异后个体隔代保护策略 ,构造了一个有效的改进遗传算法 .利用该改进遗传算法 ,构造了前向进化神经网络 .它综合了改进遗传算法优良的全局寻优性能和前向神经网络的非线性映射能力 .     

实数编码遗传算法离散重组算子分析

用组合数学分析了实数编码遗传算法的一点交叉、多点交叉和均匀交叉等三种离散重组算子的组合能力，算子的组合能力算子组合出新染色体数目的大小衡量，分析表明，对同一父染色体对交，一点交叉最多可组合出2(n-1)个新的染色体，多点交叉为2C^kn-1个，均匀交叉为2（2^n-1-1)个，函数优化实验研究表明，在算法中采用何种离散重组算子较为合适与算子的组合能力有关，也与优化问题有关。     

勤务编排问题的关联度识别型遗传算法

为了提高遗传算法求解勤务编排问题时的优化性能,提出一种关联度识别型遗传算法。算法根据勤务的组成结构定义基因关联度,以量化基因之间的联结关系。据此引入基因座优化算子,将勤务集合划分为若干子集合,依次调整各勤务子集对应的染色体结构,使关联度较强的变量基因位置较为靠近。基于这种染色体结构设计多点交叉算子,根据相邻基因的关联度选择交叉点位置,分基因片段完成交叉操作,以便于交叉算子高效交换积木块,达到提高遗传算法寻优效率的目的。实验结果证明,该算法能够有效地求解勤务编排问题。     

改进型遗传算法及其在TSP中的运用

交叉和变异算子是遗传算法的基本算子,它们在改进解群质量中发挥重要作用.根据旅行商问题的具体情况,提出一种改进的基于佳点集的交叉算子、变异算子和旋转算子,在仿真实验中验证了改进型遗传算子的有效性.     

对常用选择算子的分析

讨论了最能体现遗传算法“自然选择、适者生存”特点的选择算子 ,给出了在传统的基于适应值比例的选择算子作用下染色体的变化规律及极限性能 ,同时也指出了此类选择算子的一些不足之处 .还给出了一类改进的基于适应值大小顺序的选择算子对染色体数量的影响方式 ,说明了其优越性 .讨论结果表明 ,今后可以更进一步改进和完善选择算子 ,提高遗传算法的性能 ,从而扩大遗传算法在各个领域的应用     

改进交叉算子和变异算子抑制GA算法早熟

分析了传统遗传算法早熟收敛的主要原因,提出了一类改进的遗传算法。通过引入个体相似度,改进传统的交叉算子,避免了近亲繁殖现象,采用二元变异算子替换传统变异算子。仿真结果表明该改进算法有效地提高了全局搜索性能和收敛速度。     

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。     

遗传算法的研究及其在函数优化中的应用

遗传算法是一种基于生物自然选择与遗传机理的随机搜索与优化方法.在文中介绍了遗传算法的初始群体的生成、交叉算子、变异算子.在分析了基本的遗传算法的特点和缺陷的基础上,提出了改进的方法.改进的遗传算法在函数优化中的应用具有较好的效果.     

一种改进的遗传算法在TSP问题中的应用

为了解决旅行商(TSP)不能够在多项式时间内求得最优解的问题,从仿生学的角度入手,重新设计了从问题域到算法域的编码和解码方法,应用"排列法"来初始化种群;并设计了两种染色体操作算子:顺序交换算子和合法交叉算子,保证了种群在进化过程中染色体的合法性;在种群进化选择方面,设计了一个新的更加仿生的选择算子——"灾难算子",并与经典算法的"轮盘赌"选择法相结合,作为改进算法的选择算子,进一步提高了算法的收敛速度。实验表明,改进后的遗传算法能更准确地找到最优解。     

遗传算法交叉算子性能对比研究

就交叉算子性能对比问题，提出了算子子代在海明距离上分布的分析方法，对遗传算法中常见的单点、双点和均匀交叉算子子代生成空间上子代生成特点进行了系统分析，并使用具有代表性的NK Landscape上两种基因关联模型(NK_R．ND和NK_ADJ)和两种遗传算法模型(SGA和SSGA)进行试验，试验结果表明不存在算子性能的绝对差异，实际问题基因间的关联紧密度及遗传算法模型对交叉算子性能有很大影响，当解空间基因位置关联紧密时应用双点交叉算子性能最好，而均匀交叉算子性能受SGA和SSGA的影响最小．     

A GA-Based Approach for FMS Machine Loading Planing

The machine loading problem in flexible manufacturing system isaddressed in this paper. The problem is modelled as a mixed integer program. A Genetic Algorithm (GA) approach is developed to yield an optimal solution. In the genetic algorithm, chromosomes are encoded in term of operation routes. A point-to-point crossover search operator together with a Cyclic Shifting Mutation (CSM) operator is designed to adapt to the problem. At last computational experience with the model is presented, and the results show that our genetic algorithms are very powerful and suitable to machine loading problems.     

混合变量多目标优化设计的Pareto遗传算法实现

提出了一种用Ｐａｒｅｔｏ遗传算法来实施的带约束的多目标混合变量的优化方法。得到Ｐａｒｅｔｏ最优解集,决策者从中可选出满足设计需要的解。该算法包括６个基本算子：选择、变异、交叉、离散变量圆整算子、小生境、Ｐａｒｅｔｏ集合过滤器。建立了用于多目标优化的适应度函数,使用模糊罚函数法法将带约束的多目标优化问题转换为无约束优化问题,同时提出了处理混合变量多目标优化问题中离散变量的方法。最后用算例说明了该方法     

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.     

An improved GA for combinational logic expressions

This paper discusses complete binary trees as chromosomes of Genetic Algorithm (GA), and proposes the concept of dominant and recessive genes. On the base of it, a new crossover operator with the selective ability was designed. Finally experimental results are presented. Supported by the National Natural Science Foundation of China and State Education Committee Doctoral Foundation Kang Lishan born in 1934, Professor     

An improved GA for combinational logic expressions

This paper discusses complete binary trees as chromosomes of Genetic Algorithm (GA), and proposes the concept of dominant and recessive genes. On the base of it, a new crossover operator with the selective ability was designed. Finally experimental results are presented. Supported by the National Natural Science Foundation of China and State Education Committee Doctoral Foundation Kang Lishan born in 1934, Professor     

遗传算法求解TSP问题的MATLAB实现

以遗传算法求解旅行商问题（TSP）为例,提出一种改进的交叉和变异算子,深入讨论了各个遗传算子的程序实现,并给出其算子的MATLAB程序编码,最后用5个城市的非对称TSP进行仿真分析.结果表明,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,证实TSP问题是遗传算法得以成功应用的典型例子.     

遗传算法中的交叉算子研究

阐述了基本交叉算子和交叉机理．通过一个具体的工程应用——项目投资决策，对比和分析了同一遗传算法在不同交叉算子作用下的性能。结果表明，依据置换群理论，算术交叉算子和线性序列交叉算子均可看作多点交叉算子的迭代．     

基于适应交叉操作的遗传算法

遗传算法以其易于操作和独立于领域知识的特性得到广泛的应用,因此对于遗传算法性能的改进日益成为研究热点.文章从遗传算法中特有的交叉操作出发,提出一种改进的交叉操作,将海明距离和区域操作应用到均匀交叉操作中,提高个体的适应能力,取得较优解,并应用到函数优化问题中加以说明.