遗传算法在数据内部排序上的应用

用遗传算法进行数据内部排序，可以打破传统排序算法在时间复杂度方面所存在的下限，因为求适值部分可并行处理，对包括适值函数、杂交、变异等在内的一些关键问题进行了研究，尤其就不同适值函数的设计对算法性能等方面的影响进行了对比讨论。     

一类无缓冲区涂装喷漆排序问题

研究了一类无缓冲区的汽车涂装车间喷漆牛产排序问题.给出了一种数学模型,该模型以喷涂颜色改变次数最少为日标,并要求保持焊装车间产出白车身类型的顺序.为解决这一问题,设计了一种遗传算法.该算法采用子串交换实现交叉,采用互换算子实现变异,其优点在于减少了遗传过程中的修补工作量.通过一个实际的例子验证了该算法.计算结果显示.所设计的算法能够较好地求解上述模型.该研究对焊装车间与涂装车间之间未设置线性缓存系统或采用先进先出(FIFO)缓存系统的汽车制造企业具有较好的实用价值.     

基于遗传算法的模糊关系确定方法及仿真

模糊系统的模糊推理方法常依赖于一系列由主观决定的参数,如模糊隶属函数、模糊关系矩阵等．如何确定这些参数会直接影响系统的性能．为了能对这些参数进行优化,文中采用一种新型的模糊推理方法,在此基础上,利用遗传算法产生出模糊推理方法中的最优参数．同时,在进化演变的搜索过程中,使用不断调整适应函数的手段,解决了遗传算法过早收敛于次优解的问题,提高了遗传算法的搜索精度．     

遗传算法中算子的性质

讨论了遗传算法中的两个主要算子－杂交与变异，得到了杂交算子的四个变量及一个平行四边形法则，给出了决定杂交搜索的充要条件及杂交搜索的范围，对变异算子，指出了它的可迁性，建立了变异基因数与Ｈａｍｍｉｎｇ距离的关系。     

生产与管理中的一类高维排序问题

从生产及管理实际中提出了一类高维排序问题．给出了其最大值最优解法及最小值最优解的近似解法．这类问题在生产实践及管理决策中有着重要意义．     

用改进的遗传算法求解流水车间作业排序问题

针对流水车间(Flow-shop)作业排序问题，提出了两种改进的白适应遗传算法并给出了两种编码、解码方案。把此算法与现有的几种解法进行了比较，实验数据表明，改进的遗传算法在求解质量和效率上均优于传统的遗传算法和其他白适应遗传算法。     

应用遗传算法进行单机工件加工排序

运用遗传算法和提前／拖期调度模型，研究了在单机情况下工件加工排序问题，提出了一个新算法，此外，在应用遗传算法的过程中，还提出了“二次编码”的方法和利用ＥＤＤ法则作为寻找最优排序起始眯的思想，从而加快了新算法的收敛速度。     

遗传算法及其实现

介绍遗传算法,并进行了实现.通过对 CHN144城市的数据进行测试,测试表明:遗传算法具有较强的全局搜索能力.     

用遗传算法解决陶瓷产品在窑炉烧中的排序问题

为实现ＪＩＴ生产优化策略，给出了一个辊道窑的优化模型，讨论了用遗传算法解决产品进入窑炉烧结前订单的交货期提前／延期间问题，并对遗传算法和ＥＤＤ规则进行了计算机仿真，结果表明遗传算法更优，且算法复杂性低，能应用于实际生产。     

遗传算法中遗传算子的分析

本文首先分析了遗传算法（GA）中复制算子、交叉算子、变异算子等三种主要遗传算子及特性,然后总结了遗传算法所具有的一般性原则。     

基于十进制编码改进的遗传算法

遗传算法在数据挖掘中有着重要的地位．用遗传算法进行数据挖掘需要经过许多代的进化，从而获得较优的解。基于二进制基础的遗传算法在对二进制码进行操作时花费了不少时间，尤其是在完成染色体的交叉，变异过程中对染色体的处理时，需要花费不少时间．文章提出用十进制替换二进制处理对染色体的操作，用简单的数字运算完成对染色体的交叉和变异操作，从而达到提高遗传算法速度的效果。     

基于十进制编码改进的遗传算法

遗传算法在数据挖掘中有着重要的地位.用遗传算法进行数据挖掘需要经过许多代的进化,从而获得较优的解.基于二进制基础的遗传算法在对二进制码进行操作时花费了不少时间,尤其是在完成染色体的交叉,变异过程中对染色体的处理时,需要花费不少时间.文章提出用十进制替换二进制处理对染色体的操作,用简单的数字运算完成对染色体的交叉和变异操作,从而达到提高遗传算法速度的效果.     

遗传算法在电力电子电路控制参数优化中的应用

本文综述了遗传算法在电力电子电路控制参数中各个方面的应用情况,主要包括PWM控制参数优化、SHEPWM参数优化、交流斩波控制参数优化以及遗传算法与其他方法相结合的应用,详细分析了各种应用的核心问题,为遗传算法在电力电子电路控制参数中的进一步应用研究与实现提供一定理论依据。     

基于遗传算法的旅游商问题求解

旅游商问题是典型的NP完全问题，遗传算法是求解NP完全问题的一种理想方法，本文针对求解旅游商问题，设计了遗传算法的选择，交叉和变异算子等遗传子，最后给出算法的仿真结果。     

遗传算法在前馈神经网络中的应用

比较了遗传算法和神经网络的特点，对于将遗传算法用于前馈神经网络的可能性进行了研究，并给出了应用实例；同时提出了一种构造变长染色体用于神经网络演化的方法，并描述了作用于变长染色体上的遗传操作机制     

基于模拟退火的混合遗传算法

分析了遗传算法和模拟算法的优缺点,并将两种算法进行混合,提出一种基于模拟退火的混合遗传算法以弥补两个算法的不足,理论分析和仿真实验表明该方法的有效性和可行性。     

基于改进遗传算法的系统参数辨识

传统的遗传算法在解决具体优化问题时存在着收敛速度慢和容易早熟的缺点。针对系统参数辨识,提出了一种改进的遗传算法。通过合理选择复制策略、改进适应度函数计算方法,克服了早熟现象,保证了种群的多样性,避免了后期适应值接近而导致收敛速度过慢。通过该算法对典型二阶系统的传递函数进行参数求解,在信噪比较大的情况下,得到几乎无偏的估计。实验结果证明了该方法的有效性。     

遗传算法与蚁群算法的融合研究

遗传算法具有快速全局搜索能力,但对于系统中的反馈信息却没有利用,往往导致无为的冗余迭代,求解效率不高.而蚁群算法是通过信息素的累积和更新来收敛于最优路径,具有分布、并行、全局收敛能力,但是搜索初期信息素匮乏,导致算法速度慢.通过将两种算法进行融合,克服两种算法各自的缺陷,优势互补,形成一种时间效率和求解效率都比较好的启发式算法.并通过仿真计算,表明融合算法的性能优于遗传算法和蚁群算法.     

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.