关于遗传算法公理化模型的进一步结果

本文考虑由公理化所描述的抽象遗传算法,证明了算法种群列以概率1完全收敛到最优种群集,所获结果应用到具体的遗传算法策略时,能明确提出各有关参数的设置策略,使之具有所述收敛性,当变异概率趋于零时,证明了种群列依概率收敛到一致最优种群集,对父代种群参于竞争和杰出者选择遗传算法,证明了这上敛结果不依整于种群规模的杂交算子。     

基于IAGA-BP神经网络的电地热室内温度预测

利用电地热对居民区进行供暖时,为实现对用户室内下一时刻温度的精确预测,该文提出一种改进的自适应遗传算法(IAGA)。该算法对自适应遗传算法的交叉概率和变异概率进行改进,通过函数测试证明所提算法比传统的遗传算法稳定性好、收敛速度快,并将改进后的算法对BP网络进行优化,从而克服BP网络算法易陷入局部极值、学习效率低和收敛速度慢的缺点,最终建立基于IAGA-BP网络的电地热室内温度预测模型。将其与粒子群算法(PSO)优化的BP神经网络模型进行仿真对比,实验表明:IAGA-BP网络相对于PSO-BP网络具有更好的预测准确度,其平均绝对误差、均方差分别为0.132 8℃、0.079 2,均优于PSO-BP网络预测,该模型建立可为后期的电地热温度控制提供依据。     

智能化遗传算法

针对遗传算法的收敛速度慢、收敛早熟和概率稳定性差等问题提出一种智能化遗传算法(IGA)。首先，建立描述种群进化的统计特征量，为IGA的算法策略提供决策依据。其次，建立种群的自学习算法、种群的自组织算法与遗传算子操作概率的自适应算法，并将这些算法嵌入最优保存简单遗传算法(OMSGA)，从而构成IGA。最后，从理论上对算法收敛性及效率进行了分析。通过遗传算法标准测试函数的仿真结果证明了算法的实用性和有效性。     

一种改进的广义遗传算法及其在结构动力优化问题中的应用

该文提出了一种改进的广义遗传算法。算法中引入了异种机制以提高种群的多样性,在保证收敛速度的同时防止早熟收敛。该方法应用于随机风载荷作用下有应力约束的多参数结构动力响应优化问题,数值算例表明:异种机制能够有效地提高广义遗传算法收敛于全局最优解的概率并加快收敛速度;带有异种机制的广义遗传算法能够有效地求解复杂的结构动力优化问题。     

一种改进的广义遗传算法及其在鲁棒优化问题中的应用

提出一种改进的广义遗传算法,算法中引入了异种机制以提高种群的多样性,在保证收敛速度的同时防止了早熟收敛。将该方法应用于复杂载荷作用下结构的鲁棒优化问题,并采用Taguchi望目特性的SN比构造了遗传算法的目标函数。数值算例表明,异种机制能够有效地提高广义遗传算法收敛于全局最优解的概率,加快收敛速度;结合了Taguchi鲁棒设计方法的广义遗传算法能够有效地求解复杂载荷作用下带有不确定参数的结构鲁棒优化问题。     

关于简单遗传算法变异率的理论分析

本文主要目的在于通过对状态方程解的研究,讨论简单遗传算法中变异率的取值对算法收敛性态的影响,所得结果蕴含着“当变异算子的作用率很小时,算法收敛于早熟集的概率几近于1”的结论。同时,我们对于算法收敛于早熟集的概率给出了一个下界估计。     

(μ,λ)演化策略的收敛定理

给出（μ，λ）型深化策略的一个一般的收敛定理并给出其在实际算法中的两个应用，对连续目标函数，通过研究算法种群达到目标函数全局极大解集邻域的概率，得到此概率的一个递推估计式。利用此估计式给出算法种群依概率收敛于目标函数全局最优解集的一个有价值的充分条件。     

基于遗传算法实现智能组卷的研究

试题组卷是考试系统的重要组成部分。通过在编码策略、适应度函数、遗传算子、控制参数等方面的研究提出一种适应于试题智能组卷的改进遗传算法。对适应度函数的适当定标和建立自适应的交叉概率和变异概率,有利于克服未成熟收敛和遗传漂移现象,同时能在维持群体多样性的情况下,防止群体进入局部最优。实验证明基本遗传算法能更有效地提高组卷的效率。     

基于多种群实数编码遗传算法的圆度误差评定

针对实数编码的遗传算法(RGA)在圆度误差评定中存在的早熟收敛、精度较差及运算速度慢等缺点,分析了多种群遗传算法的模型结构,利用多种群遗传算法的并行性,将其应用于圆度误差评定。实验证明该方法有效地提高了算法的精度和收敛速度,能够快速评定圆度误差。     

基于实数编码的改进遗传算法及在平面度误差评定中的应用

针对平面度误差计算的特点 ,提出了一种基于实数编码的改进遗传算法。该算法的遗传算子采用确定式良种选择、非一致算术交叉及基本位变异策略 ;交叉和变异概率根据个体适应度大小来自适应地确定 ;同时给出遗传算法评定平面度误差时适应度的计算方法。最后 ,通过不同评价方法对同一平面的平面度误差进行评定 ,结果证明该方法不仅能收敛到全局最优解 ,而且具有较快的收敛速度