遗传算法纵横谈

以总结当前遗传算法的多种改进形式为主探讨了有关遗传算法的６个问题，它们对于不同领域的遗传算法的科研应用人员均具有一定的启发作用。     

遗传算法综述

本文从计算智能与进化计算谈起，论述了遗传算法产生的思想及背景，遗传算法的应用与研究现状，以及遗传算法研究的基本内容与问题，最后对ＧＡ与传统搜索算法做一比较，并概述了ＧＡ在并行处理应用中的潜在优势。     

一种基于遗传算法的进化计算模型

提出一种基于遗传算法的进化计算模型(ECM).在ECM的种群中,每个成员都根据其适应度值不同程度地影响着种群的进化.ECM定义了个体对进化的影响因子,并以个体的影响因子为参数定义了个体的形成算子.分析表明,ECM是采用算术交叉算子的两父辈遗传算法以及采用频率扫描交叉算子的多父辈交叉遗传算法的推广,形成操作是父代群体编码的凸组合.实验研究显示,ECM具有比经典遗传算法更强的优化计算功能.     

遗传算法及其发展

本论文讨论了遗传算法的产生，发展，求解过程及其存在的问题。这些将有助于加深对遗传算法的理解，因而更好地应用它求解各种具体问题。     

基于遗传算法的神经网络性能优化

遗传算法是一种典型的进化算法。文中分析了遗传算法的特点和神经网络的特点,从而得出了把两种算法结合起来进行应用的思想。运用理论对比的方法,阐明了用遗传算法进行神经网络性能优化的原因,并得出结论,认为用遗传算法进行神经网络性能优化促使了神经网络更进一步的应用。阐述了遗传算法优化神经网络的两种主要方法,论述了遗传算法和神经网络的发展现状和将来的研究动向。     

基于遗传算法的神经网络性能优化

遗传算法是一种典型的进化算法。文中分析了遗传算法的特点和神经网络的特点，从而得出了把两种算法结合起来进行应用的思想。运用理论对比的方法，阐明了用遗传算法进行神经网络性能优化的原因，并得出结论，认为用遗传算法进行神经网络性能优化促使了神经网络更进一步的应用。阐述了遗传算法优化神经网络的两种主要方法，论述了遗传算法和神经网络的发展现状和将来的研究动向。     

遗传算法综述

本文简述了遗传算法的基本原理和特点，以及在各个领域的应用情况。     

遗传算法综述*

遗传算法来源于进化论和群体遗传学，是计算智能的重要组成部分，正受到众多学科的高度重视。本文系统综述了遗传算法的发展历程，理论研究和应用研究，并进行了分析和评价。     

遗传算法理论研究综述

针对遗传算法在理论研究方面存在的不足,系统地讨论了遗传算法理论研究的主要内容和方法,包括模式定理、编码策略、Ｍａｒｋｏｖ链与全局收敛性、维数分析、ＢＧＡ理论、可分离函数、Ｗａｌｓｈ与傅立叶函数分析及二次动力系统等,介绍了Ｎｏ Ｆｒｅｅ Ｌｕｎｃｈ定理,并指出相关的研究方向。     

遗传算法及其进化硬件设计研究

遗传算法(Genetic Algorithms，GAs)是进化计算中的重要领域．也是人工智能迅速发展的重要领域，它是一类模拟自然进化过程和达尔文“适者生存”的算法。这一算法企图通过使用诸如交叉、变异等算子从先前的候选解中生成最佳解。进化硬件(Evolvable Hardware，EHW)则是受自然进化得到灵感、设计硬件系统的新型设计方法，它是进化计算技术和电子硬件结合的产物。本文给出GAs在计算机模型中的基本概念．讨论进化再配置硬件的设计，最后给出几个进化实验的例子。     

一种新的基于遗传操作的改进型遗传算法

交叉与变异是遗传算法的重要操作,提出了一种新的基于遗传操作的改进型遗传算法.采用最优保留和改进的轮盘赌选择方法,通过基因交叉概率控制交叉,根据高斯分布改进了交叉算子和变异算子,保证了算法的全局搜索能力、局部搜索能力及收敛速度.通过标准函数的数值实验,验证了新算法的有效性.     

基于遗传算法的选播路由算法的研究

随着基于IPv6选播应用的研究与发展,选播路由算法已成为选播服务质量的关键.以遗传算法为基础,提出一种改进的交叉、变异遗传操作,在克服传统算法中早熟现象的基础上,加快了收敛速度;同时本算法以延时、带宽和服务器负载作为选择操作的依据.仿真结果显示,该算法能够在合理利用网络资源的同时找到最优解.     

基于遗传算法的虚拟物体变形研究

为缩短工艺构思的时间,增加构思的效率,通过虚拟物体变形进行工艺设计构思.采用基于遗传算法实现虚拟物体的变形.应用数学模式搭配遗传算法演变造型的方法产生了特殊的效果,不仅可给予设计者以更多的思考空间,而且增加了设计人员进行构思时的思考方向.     

遗传算法中遗传操作的改进策略

通过分析发现,二进制编码中不同基因位改变时,所引起优化变量的变化程度不相等。基于此,提出一种改进的交叉和变异策略,对编码串中各个基因位赋予不同的交叉点选择概率和变异率,并随进化调整各位的交叉点选择概率和变异率。仿真结果表明,同标准遗传算法相比,采用改进策略的遗传算法具有寻优精度高、稳定性好、收敛性强等优点;此外,同改进交叉操作相比,改进变异操作能更有效地提高算法的寻优能力。     

一种基于遗传算法的QoS多播路由算法

深入研究基于遗传算法的QoS多播路由算法,建立支持QoS的多播路由模型.对已有的QoS多播路由算法进行优化,提出适用于下一代网络的基于遗传算法的QoS多播路由算法.采用定长的染色体编码和预处理机制降低算法复杂度.仿真试验表明,该算法收敛速度快,可靠性高,能够更好地满足多播业务的需要.     

基于改进遗传算法的网格任务调度算法

网格任务调度是一个NP完全问题,它关注大规模的资源和任务调度,要求采用的调度算法能够具有高效性.遗传算法被证明是解决这类小规模问题的有效算法,随着任务数和资源数的增加,遗传算法表现出慢速收敛的缺点.为了克服其缺点,提出将Min-min算法与遗传算法相结合的改进遗传算法,从而设计出很好的选择和交叉算子,提高了算法搜索能力和收敛速度.仿真结果表明该算法能更有效解决网格任务调度问题.     

一种基于混合遗传算法的聚类方法

针对遗传算法在聚类时存在的搜索速度慢和早熟的问题,将禁忌搜索的自适应优点引入遗传操作来改良其全局搜索性能,并采用带有权重的相似性度量方法,提出了一种基于混合遗传算法的聚类算法.通过与常用的聚类方法的实验结果比较,表明这种方法具有良好的聚类效果.     

基于改进的遗传算法的图像恢复

在对图像退化模型和图像恢复的可能性进行分析的基础上,重点介绍采用遗传算法进行图像恢复的原理。针对标准遗传算法进行图像恢复时,存在过早收敛现象,及计算量过大的问题,从整体入手,对遗传算法的编码方式、选择算子、交叉算子、变异算子进行了改进,并采用VC++6.0编程软件进行实验。实验结果表明,改进后的遗传算法用于图像恢复,不但可以较好地克服过早收敛现象,提高了计算速度,而且恢复出的图像具有良好的效果。     

基于遗传算法的粗糙集属性约简算法

为了研究粗糙集理论中属性约简问题,给出了一种属性相对重要度定义,证明了其合理性,并将它应用到基于遗传算法的约简算法中,提出一种启发式遗传算法.算法采用修正策略保证群体进化收敛于最小约简,同时引入属性相对重要度作为启发信息,加快算法的收敛速度.对算法进行的时间复杂度和完备性分析以及数值实验表明,基于遗传算法的粗糙集属性约简算法具有完备、快速收敛等特点.     

基于量子遗传算法的图像分割

针对基本遗传算法的稳定性较差、存在未成熟收敛和易陷入局部最优解的问题,将量子计算与遗传算法进行融合,较好地解决了传统的多阈值图像分割方法中运算量大的问题.实验结果表明量子遗传算法用于阈值寻优减少了搜索时间,提高了收敛效率.