遗传算法理论及其应用研究进展

首先阐述遗传算法的原理和求解问题的一般过程;然后讨论了近年来从遗传算子、控制参数等方面对遗传算法的改进,并对遗传算法在计算机科学与人工智能、自动控制以及组合优化等领域的应用进行陈述;最后评述了遗传算法未来的研究方向和主要研究内容。     

遗传算法及其研究进展

叙述标准遗传算法的基本原理,讨论遗传算法在解决各种复杂问题时存在的缺陷,并总结了相应的解决方案。     

遗传算法及其应用

对５个番茄亲本及１０个Ｆ１代材料在采收季节分５期测定了成熟果实内抗坏血酸和还原糖含量，并对其遗传和相关性进行了统计分析。结果表明：基因型和估收期均明显影响番茄果实内的抗坏血酸和还原糖含量，基因型与采收期的互作效应达极显著水平。多数Ｆ１的抗坏血酸和还原糖含量介于双亲之间，这两个品质因子的广义遗传力估算植依次为４４．１７％和４９．２３％，它们的遗传相关系数为０．９２７４，相关遗传力估算为４８．７３％，     

遗传算法及其应用

跹传算法是模拟自然界生物进行过程的计算模型，作为一种有效的全局并地优化搜索工具，它具有简单，通用、鲁棒性强和适于并行分布算处理的特点以及广泛的应用潜力，本文主要阐述了遗传算法的基本原理、方法和特点、并着重从应用的角度对它的主要研究内容（包括并行实现）进行了较深入的讨论。     

遗传算法及其应用

遗传算法是智能优化方法中应用最为广泛也最为成功的算法,在各个领域得到广泛应用。该文在介绍了遗传算法的发展历史和具体操作步骤的基础上,总结出遗传算法的特点,并对它的各个应用领域进行了详细阐述。     

一种基于耗散理论的遗传算法及其应用

在含有交叉和变异矩阵的自适应遗传算法的基础上,引入耗散结构理论,在交叉成功的个体数和变异概率之间建立联系,使交叉成功的个体影响变异概率,并且对非法个体进行贪婪处理。实验表明,该算法在解决0-1背包问题时获得较好的效果。     

多亲遗传算法的理论分析及其应用研究

多亲遗传算法是在保持了传统遗传算法一些特性的基础上,对传统遗传算法的交叉算子进行了改进。在介绍了多亲遗传算法的基础上,对其进行了理论分析,证明了多亲遗传算法满足Holland的模式定理;提出了一种称为群体中心交叉的多亲交叉算子,最后将这种多亲交叉算子的多亲遗传算法应用到了数据聚类问题中,取得了良好的实验结果。     

启发式遗传算法及其应用

1.引 言 在科学实践、工程技术和日常生活中,人们常常会遇到大量的、各式各样的最优化问题.最优化方法在近几十年里获得了巨大的发展,但目前很多方法不同程度上还存在着一些不足之处.尤其是最终所求得的大多为局部最优解,并不是全局最优解.而近年来得到蓬勃发展的遗传算法其本质是一种求解问题的高效并行全局搜索方法.它能在搜索过程中自动获取和     

遗传算法的编码理论与应用

编码是遗传算法求解问题的前提,文章分析了二进制编码、格雷码编码、实数编码、符号编码、排列编码、二倍体编码、DNA编码、混合编码、二维染色体编码或矩阵编码等编码的实质内容,在树编码和可变长编码基础上阐述了自适应编码的基本理论,提出了基于相似度的可变长编码和基于结构的agent编码方式,给出了函数优化、TSP、KP、JSP、机器人路径规划、图的划分和倒立摆等典型优化问题的编码方案。     

集对分析理论及其应用研究进展

集对分析理论是一种较新的软计算方法,可有效地分析和处理不确定信息。近年来,该理论日益受到学术界的重视,已经在决策、预测、数据融合、不确定性推理、产品设计、网络计划、综合评价等领域得到较为成功的应用。本文简要介绍了集对分析理论的基本概念和理论基础,较详细地论述了该理论的最新研究成果与应用进展情况,最后指出可能的发展趋势和研究方向。     

改进量子遗传算法及其应用

针对量子遗传算法在多维复杂函数优化中迭代次数多、易陷入局部极值等缺点,提出新的量子遗传算法。通过搜索各种群中各染色体的最优个体,组成一个新的种群,并以此种群作为当前最优种群来确定量子门的全局最优搜索方向。引入小生境协同进化策略初始化量子种群,使量子染色体均匀分布于初值空间。以非线性连续优化问题为例所进行的仿真结果表明,该方法具有收敛速度快、寻优能力强等优点。最后,将该算法应用于化工过程的优化,取得良好的效果。     

并行遗传算法研究及其应用

GA是一类基于自然选择和遗传学原理的有效搜索方法，它从一个种群开始，利用选择、交叉、变异等遗传算子对种群进行不断进化。最后得到全局最优解。但随着求解问题的复杂性及难度的增加，提高GA的运行速度便显得尤为突出，采用并行遗传算法（PGA）是提高搜索效率的方法之一。本文分析了并行遗传算法的四种模型，最后应用于0-1背包问题的求解。实验结果表明．该算法在具有较高搜索效率的同时，仍能维持很高的种群多样性。     

模糊遗传算法及其应用研究

针对多目标遗传算法的特点,基于模糊集理论,提出模糊遗传算法的概念及其算法将系统设计的要求转化为模糊遗传算法的约束条件,利用模糊遗传算法对其进行优化设计,具体的设计示例说明了该算法的有效性。     

模糊量子遗传算法及其应用

将模糊逻辑与量子理论相结合,提出了基于模糊逻辑的量子遗传算法（FQGA）。该方法使用模糊推理机指导量子门染色体更新和变异,自适应地调整量子门旋转角和变异概率。仿真结果表明：FQGA具有全局寻优能力、收敛速度快和计算时间短等优越性。     

扩散遗传算法及其应用研究

针对遗传算法在局部搜索能力方面的缺陷,提出了一种基于扩散算子的遗产算法(简称扩散遗产算法)。该算法中包含的扩散算子是变异算子,其主要作用是在遗传搜索中进行局部搜索。用扩散遗传算法和实数编码遗传算法分别训练用于解XOR问题的神经网络,对比结果表明,论文提出的算法兼具强的全局搜索能力和局部搜索能力,因此,该算法可以不借助其它局部搜索算法而单独作为神经网络训练算法,从而简化训练算法,提高训练效率。该算法对提高遗传算法搜索效率和求解精度具有重要的意义。     

自适应变异遗传算法及其应用

为了改善变异操作在遗传算法中的作用,提出自适应变异遗传算法,其变异操作能根据种群进化代数和个体的适应度值自适应地确定每个个体的变异概率,从而在保留遗传算法当前最优解的同时,维持了群体的多样性,提高了算法的全局搜索能力.与传统遗传算法相比,自适应变异遗传算法的离线性能和在线性能都有较大的改善.本文在实际应用中,将自适应变异遗传算法应用于估计动力学参数取得了较好的结果.     

并行遗传算法研究及其应用

GA是一类基于自然选择和遗传学原理的有效搜索方法,它从一个种群开始,利用选择、交叉、变异等遗传算子对种群进行不断进化,最后得到全局最优解.但随着求解问题的复杂性及难度的增加,提高GA的运行速度便显得尤为突出,采用并行遗传算法(PGA)是提高搜索效率的方法之一.本文分析了并行遗传算法的四种模型,最后应用于0-1背包问题的求解.实验结果表明,该算法在具有较高搜索效率的同时,仍能维持很高的种群多样性.     

DNA免疫遗传算法及其应用

在研究T-S模糊RBF神经网络的基础上,提出了一种基于DNA生物机理和结构的免疫遗传算法,用于优化设计T-S模糊RBF神经网络的规则后件参数。该方法采用基于抗体浓度的更新策略调节机制,能有效地保持抗体的多样性,避免早熟收敛。应用于延迟焦化汽油干点的软测量建模,实例仿真结果表明DNA免疫遗传算法在T-S模糊神经网络系统的优化设计中是有效的,可获得较高精度的模型。     

协同进化遗传算法及其应用

介绍了协同进化遗传算法及其实际应用,大量的实验数据表明,它的性能明显优于传统的遗传算法,而且对不同的协同进化方法进行了对比。由此本文提出用协同进化遗传算法来解决入侵响应问题,以提高响应的速度和效率,最后预测了协同进化遗传算法的发展方向和应用。     

遗传算法理论综述

通过遗传算法的描述,介绍了有关遗传算法理论的研究现状,如:编码方法、适应值函数、遗传算子、参数的选择、数学基础、欺骗问题、收敛性分析、并行计算、局部改进和混合方法等。尽管遗传算法理论基础的不完善使其在应用中还存在某些问题,但通过遗传算法的理论研究将有助于遗传算法理论及其应用的发展。