基于遗传算法进化神经网络的潜射导弹筒盖压力预测

提出一种基于遗传算法进化神经网络的潜射导弹筒盖最大压力和压力持续脉宽的预测方法,遗传算法可依据个体适应度完全自适应,并在此基础上提出了一种提高遗传算法初始进化速度的随机基因偏移方法.训练结果表明,优化神经网络所形成的虚拟函数具有较好的遍历性,能够较好地反映样本的内在联系,借助该方法预测的潜射导弹筒盖压力特性具有较高的精度,可快速、准确地预测发射筒筒盖的压力特征.     

遗传算法求解最大团问题研究

最大团问题是NP难解的,用遗传算法求解的关键是如何设计有效的评估函数.首先从理论上分析编码规则及适应函数对个体进化的影响,提出个体基因适应函数和个体适应函数多重评估方法,并设计求解算法.数值实验表明,算法具有较好的通用性和较高的性能.     

一种改进的基于遗传算法的K均值聚类算法

结合遗传算法和K均值聚类算法的优点,提出一种改进的基于遗传算法的K均值聚类算法.将遗传算法的编码方法、初始化、适应度函数、选择、交叉和变异等较好地应用于聚类问题,不仅解决了K均值聚类算法中K值难以确定、对初始值敏感以及遗传算法存在收敛性差和容易早熟的缺点,而且实现了聚类中心的优化选择、K值的自动学习和基因的自适应变异等...     

自交叉遗传算法

传统的双亲遗传算法能够通过交叉运算,实行基因重组,从而得到问题的有效解.但这种算法只是注重了不同染色体间组合的有效性,对于染色体本身的特性没有研究.通过引入单亲遗传算法的交叉运算,发现两者的结合能够有效地提高遗传算法的效率,从而提出了自交叉遗传算法(self cross GA).通过对比传统的遗传算法(GA)求解函数优化问题的表现,证明该算法具有更好的精确度和收敛性.     

遗传算法在最优化问题中的应用研究

遗传算法是一类借鉴生物界自然选择和基因遗传学原理的随机搜索算法.本文分析和研究了遗传算法的基本概念和基本要素,阐述了遗传算法的实现原理和实现过程,并将遗传算法应用于求非线性函数最值中,证明了该算法对于解决函数优化问题是最有效的方法之一.     

基于改进遗传算法的三角剖分优化算法研究

以三角剖分原理和传统基因遗传算法为基础，提出了一种优化三角剖分的改进基因遗传算法．该算法采用下三角矩阵表示三角剖分问题，并设计出相应的适应度函数、改进的算子以及控制参数，以弥补传统基因遗传算法的不足，提高了执行速度和进化效率．     

基于改进模式提取变异算子的遗传算法

在经典遗传算法的基础上，提出了一种基于改进模式提取（Algorithm of pattern extraction,Alopex)，种群个体的连续进化方向作为当前代个体的变异方向，并利用自适应来调整变异步长，通过控制参数来控制变异方向的概率从而跳过局部最优值。对几种典型函数的测试结果表明，基于该变异算子的遗传算法能较好地避免收敛到局部最优，收敛性能优于经典遗传算法。     

多维函数优化的遗传算法研究

本文研究了求解多变量函数优化问题的遗传算法,在此算法中采用了十进制浮点数基因表示方法,并相应地提出了一种叠加零均值Gauss随机扰动的变异方法,研究表明,对于满足组件假说的多维函数优化问题,这种遗传算法具有较高的搜索效率．     

基于DSP遗传算法的研究与实现

针对基本遗传算法在处理复杂函数时,容易出现陷入局部最优和收敛速度慢等问题,提出自适应遗传算法和禁忌搜索相结合的策略,增强了遗传算法的全局搜索能力,提高收敛速度,并结合DSP的优点,使本算法的优势得到充分的体现,用复杂函数进行仿真测试,获得较好的结果。     

基于正交设计法的遗传算法

将正交设计法和遗传算法相结合，既保留了遗传算法本身的优点，又可以较好地解决遗传算法在达到全局最优解前收敛慢的问题。该算法能有效地求解函数优化问题。     

一种新的改进的判定图同构的遗传算法

针对判定图同构的遗传算法存在收敛速度慢和误断率高的问题,提出了一种新的改进的判定图同构的遗传算法。算法设计了新的适应值函数,通过设计交叉算子避免亲近繁殖,设计变异算子对变异的无方向性进行优化。实验表明,新算法具有合理性和高效性。     

基于遗传算法的单向路网配时优化

为求取单向路网整体配时优化方案,实现路网排队长度最小,构造了路网排队长度模型作为评价函数。考虑到单向路网信号配时的整体性和相关性较强,计算复杂度较高,为降低计算的复杂度,采用遗传算法对路网排队长度模型进行计算,得到优化的配时方案。通过评价指标的对比,表明利用遗传算法进行最优值的计算可以取得很好的优化效果。     

基于遗传算法优化的自适应FNN-PID控制器研究

针对传统PID控制器参数整定后因无法在线自动调整而导致控制效果不理想的问题,提出了一种基于遗传算法优化模糊神经网络（FNN, Fuzzy Neural Network）的自适应FNN-PID控制器模型。该模型结合了模糊神经网络良好的自适应自学习能力和遗传算法强大的全局搜索能力,利用遗传算法对模糊神经网络的参数进行优化与训练,使PID控制器能够根据被控对象的变化而适时在线调整自身参数KP, KI和KD,从而达到理想的控制性能。将该控制器应用于异步电动机控制系统进行仿真实验,结果表明：基于遗传算法优化的自适应FNN-PID控制器具有较好的自适应能力和鲁棒性,控制效果明显优于传统PID控制器。     

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.     

基于云遗传的混合混沌粒子群算法研究

为了解决PSO算法种群随机初始化遍历性差、易陷入早熟收敛以及不具备全局收敛性的缺点,提出一种基于云遗传的混合混沌粒子群优化算法,使用均匀性更优的无限折混沌叠映射实现粒子初始化,通过自适应云算子、改进的Metropolis接受准则以及动态调整粒子集规模等策略,实现了云遗传算法和PSO算法的协同,最后通过全局收敛性证明、时间复杂度和实验分析,验证了算法的有效性。     

一种混合遗传算法及其应用

给出一种结合梯度法和正交遗传算法的混合算法。实验表明,它通过对问题的解空间交替进行全局和局部搜索,能更有效地求解函数优化问题。     

基于遗传算法的多目标优化算法

本文先介绍了遗传算法的实现技术,又介绍了多目标优化问题的概念,然后使用遗传算法来求解多目标优化问题。文中使用了均匀设计方法来设计适应度函数,并设计了新的变异算子,算法结果是有效的。     

遗传算法的小生境技术改进

针对简单遗传算法的收敛速度慢、效率低,进行了改进。引入了小生境技术：构造的小生境群体,在保障群体中个体多样性的同时,使得优良算子能够更好的共享,提高了群体的整体搜索性和收敛效率．实验表明：改进的小生境遗传算法优于简单遗传算法．     

基于实数编码的多种群遗传算法的点云配准

针对不同视角下测量的点云在配准时计算量大、速度慢的缺点,提出了一种基于实数编码的多种群遗传算法的配准方法,可以克服标准遗传算法速度慢、精度差的缺点,有效地提高全局搜索能力,实验结果表明:实数编码的多种群遗传算法能够快速获得较好的配准结果,以此结果作为初始位置进行最近点迭代法配准,能迅速达到所要求的精度,获得理想的配准效果。     

一种改进遗传算法

针对遗传算法(Genetic Algorithm,GA)存在的未成熟收敛现象,本文提出一种改进的遗传算法(IGA),该算法采用双变异算子,即正交变异和多位点变异两种变异算子联合作用,提高了算法的全局寻优能力。仿真实验表明,对遗传算法的改进是有效的,改进后的算法与标准遗传算法相比具有更高的全局收敛性,并在一定程度上克服了未成熟收敛。