自适应变异遗传算法及其性能分析

本文提出了一种新的自适应遗传算法,通过对二进制编码串中每一比特位赋予不同的变异概率来加快搜索过程。对几种典型函数的测试结果表明：本文算法的收敛性能优于标准遗传算法。     

基于遗传算法的TSP问题求解与仿真

TSP问题常用的自然编码方式在进行遗传操作时,会产生不合法路径.设计了一种新的编码方式,能有效避免这一问题,遗传操作简单易行,无需对不合理的基因片段进行合法化修正.在求解过程中,为了解决遗传算法的收敛速度和全局收敛性之间的矛盾、避免早熟,运用了Doping策略和参数切换方法.最后进行了仿真测试.结果表明,该算法能迅速淘汰劣解,具有较快的收敛速度;能有效遏制早熟,对不同规模的TSP问题能有效求得最优解.     

基于遗传算法图像模式匹配的收敛性研究

介绍了采用遗传算法进行图像模式匹配的程序概要设计,通过实例分析说明了影响GA收敛性的5个因素。通过研究GA收敛性揭示了图像匹配GA搜索过程的一些规律,为遗传选择策略特别是遗传算子的设计提供了参考。     

基于改进遗传算法的组卷策略与实现

为了更好地解决组卷质量和组卷速度之间的矛盾，文章提出了一种基于改进遗传算法的组卷策略．对遗传算法的个体编码、初始种群、杂交运算进行改进。实验结果表明，该算法提高了组卷速度，具有较好的实用性。     

RLGA:一种基于强化学习机制的遗传算法

分析了强化学习与遗传算法工作机制,在提出基因空间分割概念的基础上,提出了一种将强化学习与遗传算法内在结合起来的算法RLGA,在遗传算法的框架下实现强化学习机制.从理论上分析了RLGA的收敛性,讨论了RLGA的时间和空间效率及其与基因空间分割的关系,通过实验分析了RLGA中基因空间分割的指导范围.实验结果表明,RLGA具有良好的全局收敛性能.     

解Job—Shop调度问题的一个遗传算法

本文首先介绍了遗传算法的基本概念和流程，然后叙述了如何把Ｊｏｂ－Ｓｈｏｐ调度问题编码成为遗传算法的形式，并解释了对于实现这一算法中一些问题的考虑。最后给出了算法驼行结果并对结果与算法做了总结。     

基于遗传算法的软件项目计划问题研究

软件项目计划的制定是一个较复杂的问题,它为软件开发过程提供了一个描绘整个项目周期的蓝图,好的计划能更好地控制项目,把风险和重复劳动的成本降到最小。以对时间和工作量估算技术为基础,研究了M个不同职能软件项目小组并行开发N个软件项目,使总完成时间最小的计划调度问题。提出了用遗传算法来解决该问题的方法,并设计了相应的编码方法以及适应值评估方法和修补策略,通过仿真实例说明了此方法的有效性。     

解Job－Shop调度问题的一个遗传算法

本文首先介绍了遗传算法的基本概念和流程，然后叙述了如何把Ｊｏｂ－Ｓｈｏｐ调度问题编码成为遗传算法的形式，并解释了对于实现这一算法中一些问题的考虑．最后给出了算法运行结果并对结果与算法做了总结。     

基于遗传算法的天线结构优化

遗传算法具有算法简单、不要求函数连续、导数存在,并能收剑到全局最优解特点,采用遗传算法对环梁式空桁天线结构进行优化,设计变量为取离散值的各杆截面积,优化目标;追求最佳吻合抛物面法向位移均方根偏差最小。设计实例表明,使用遗传算法对复杂的结构优化问题能获得较好的优化结果,该算法具有很强的适应性。     

一种新的改进遗传算法及其性能分析

本文提出了一种改进遗传算法(IGA),通过加入混合选择、小范围竞争择优的交叉变异操作,以及过滤相似个体,并动态补充新个体的操作,提高全局搜索性能和收敛速度.测试试验表明了算法性能优于许多现有算法.     

一种基于改进遗传算法的自适应区域生长法研究

区域生长法是图像分割的一种常用的方法,但该方法中种子点的选取仍需人为地判定,从而影响了分割效果.因此将遗传算法引入模糊C-均值聚类方法,不仅克服了模糊C-均值聚类的局部性和对初始聚类中心的敏感性,同时也实现了图像种子点数目和位置自动选择和确定.实验结果表明这种方法是可行和有效的,它扩大了遗传算法和模糊C-均值聚类的应用领域.     

基于遗传算法的Kriging元模型及其在模拟集成电路优化设计中的应用

提出了建立电路Kriging元模型,并与遗传算法相结合确定电路参数,优化电路的方法.相对传统多项式回归模型,Kriging模型更适合电路仿真的实验类型;利用遗传算法,解决了基于Kriging元模型电路系统的全局优化问题.最后将该方法应用于带隙基准电路设计,取得令人满意的结果.     

基于遗传算法的Kriging元模型及其在模拟集成电路优化设计中的应用

提出了建立电路Kriging元模型,并与遗传算法相结合确定电路参数,优化电路的方法.相对传统多项式回归模型,Kriging模型更适合电路仿真的实验类型;利用遗传算法,解决了基于Kriging元模型电路系统的全局优化问题.最后将该方法应用于带隙基准电路设计,取得令人满意的结果.     

基于遗传算法的VLSI布图规划方法

提出了一种有效的基于遗传算法的VLSI布图规划方法.在染色体的表达中,对软模块不同形状和硬模块的布局方向进行了编码,并设计了有效的启发式解码方法进行解码.测试结果表明,该算法比已有算法得到了更优的结果.     

基于遗传算法的影像匹配方法研究

影像匹配是立体视觉中的核心问题之一。本文基于传统的影像匹配技术,提出了一种基于遗传算法的影像匹配方法。针对简单的遗传算法易于陷入局部最优的缺点和影像匹配的具体问题,对基本遗传算法作了改进。实验表明,此种方法具有较好的匹配精度和速度,能应用于各种类型的匹配中。     

基于"联姻"策略的并行遗传算法

早熟现象一直是遗传算法(GAs)所面临的主要问题.为了防止单一种群近亲繁殖导致早熟,本文将人类的联姻策略应用于遗传算法中,提出了一种基于"联姻"策略的并行遗传算法. 对比实验显示出该算法极其优异的性能.同时,文中尝试了一种新的遗传算子,为遗传算法的硬件实现奠定了基础.     

基于改进种群多样度的差分进化算法

针对差分进化算法进化后期易出现早熟收敛而陷入局部最优的缺陷,提出了一种基于改进种群多样度的差分进化算法。对进化算法种群多样度进行了研究,经过数学推导,证明了种群多样度与算法全局寻优性能的关系,提出了一种随机变异策略,更好地保持了寻优过程中种群的多样性,增强算法的全局搜索能力。典型测试函数实验表明,改进后的差分进化算法相对于标准差分进化算法具有更好的种群多样性和抑制早熟收敛的能力。     

自适应滤波的新方法——几何中心法

自适应滤波器的性能曲面具有某些有益的几何特性,根据这些特性,本文提出FIR自适应几何中心法(FIRAGCM),然后通过转化IIR滤波器的性能曲面,得到全局收敛的IIRAGCM算法.与梯度法不同的是:FIRAGCM算法无需步长选择,需要的存储量极少,并且收敛迅速,IIRAGCM继承了FIRAGCM的全部优点,并且大幅度提高了收敛精度.仿真结果表明,两种算法性能相当优越.     

蚁群混合遗传算法的研究及应用

为解决组卷过程中在一定约束条件下存在的多目标优化问题,结合蚁群算法和遗传算法各自的优点和它们融合的基础,提出了一种蚁群算法融合到遗传算法的策略:在组卷的前阶段利用遗传算法群体性全局搜索能力,快速形成初始解,在满足终止遗传算法的条件后,将遗传算法调度的较优解转化为蚁群算法所需要的初期信息素,然后利用蚁群算法所具有的正反馈、高效等特点快速形成试卷最优解。实践结果证明此算法改善了试卷的质量以及系统的运行效率,生成的试卷符合要求,达到预期的结果。