改进的遗传算法用于氩原子簇的结构优化

目的:研究一种改进的遗传算法对氩原子簇的结构进行优化;方法：描述了一种采用实数串编码,非一致性变异和数值交叉算子改进的遗传算法,同时结合了局部搜索技术来进一步优化遗传算法得到的最佳解;结论：将改进的遗传算法用于氩原子簇（Ar)N（N＝2.14）的结构优化后,其结果表明MGALM虽算法简单,但对较小原子簇体系（N≤14）,可以得到其已知的全局最优结构。     

一种优化BITONIC算法:"并行-优化-串行"合并和分类向量算法

串行算法并行化是发挥各种巨型机的效率的关键技术之一。“并行－优化－串行”归并向量算法（OSVM），是一种串行算法并行化的优化方法，它用O（N／p)时间把总长为N的两个有序序列归并或把总长为N的一个Bitonic序列排序。“并行－优化－串行”排序向量算法（POSVS）用O（NlogN)/p）时间在实际SIMD机上把N个数排序，这些是第1个满足以下两个条件的向量Optimal算法（加速比＝O（p))，（1）它能在实际SIMD计算机上实现，处理机的台数p的范围很宽1≤N^1-ε，这里，ε是任意的小的正数。（2）它统一了3种不同类的合并算法：Batcher的Bitonic算法（最快但效率随参数变大而向于0），优化(Optimal)算法（效率为常数的算法）和最佳的串行算法。而且综合了3个算法的优点，“并行－优化－串行”（POS）方法是一个通用方法，它还可以应用到其它类型问题上。     

伪并行遗传算法及其在桥梁维修管理优化中的应用

遗传算法（Genetic algorithms,简称GA）是模拟生物在自然环境中的遗传和进化过程而形成的一种全局优化概率搜索算法。但该算法有时存在着早熟现象,导致搜索过早收敛,无法得到全局最优解。为此,分析伪并行遗传算法的优缺点,探讨用伪并行遗传算法（pseudo parallel genetic algorithm,简称PPGA）求最优桥梁维修管理计划的解的可能性,并用于桥梁维修管理计划的优化。实验结果验证了该方法的有效性和GA相比,具有较快的收敛速度,为桥梁维修管理提出了新的方法。     

SAGA在测试数据自动生成中的应用

结合遗传算法（GA）的并行搜索结构和模拟退火算法（SA）的概率突跳性,并结合自适应交叉算子和遗传算子,形成了一种新的自适应SAGA混合优化算法。在测试数据自动生成系统中,经过实际程序的实验,表明该算法有更强的搜索能力,可以更快的找到全局最优解。     

分子动力学并行算法的优化与应用*

比较了小型机群中模拟小规模粒子系统采用原子分解和区域分解算法的模拟时间.针对原子分解算法,优化了各进程粒子的受力计算,尤其对严重影响并行效率的全局通信进行了优化,最终使得并行效率提高了30%以上.使用该优化算法对固态氩的导热系数进行了计算,模拟结果与实验值比较吻合,大大缩短了时间.     

一种自适应惯性权重的并行粒子群聚类算法

针对K-means聚类算法和基于遗传（GA）的聚类算法的一些缺点,及求解实优化问题时粒子群算法优于遗传算法这一事实,提出了一种自适应惯性权重的并行粒子群聚类算法。理论分析和实验表明,该算法在收敛速度和收敛精度方面明显优于基于遗传算法的聚类方法。     

利用禁忌遗传和原子特性实现信号稀疏分解

阻碍信号稀疏分解运用于信号处理产业化的主要原因,是由于信号的稀疏分解的计算量十分巨大。利用基于Matching Pursuit（MP）方法实现的信号稀疏分解算法,采用遗传算法（GA）和禁忌搜索（TS）相结合,快速寻找MP过程中每一步分解的最佳原子,最后再利用原子的特性进一步的优化。实验结果表明,该算法提高了信号每一步MP分解中寻找最佳原子的能力,并由此提高了信号稀疏分解的速度。     

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。     

基于IGA优化WNN的产品质量建模方法

针对某轧钢厂的热连轧产品质量生产过程,对遗传算法（GA）的交叉和变异操作进行改进,给出了基于改进的遗传算法（IGA）优化小波神经网络（WNN）结构的产品质量建模方法。仿真实例表明：该建模方法既保留了GA的全局搜索能力和WNN学习算法简单有效的特点,又具有网络训练速度快、建模精度高等优点,表明了该方法的有效性。     

遗传和模拟退火融合的软硬件划分

针对嵌入式系统软硬件划分问题,在比较了遗传算法（GA）和模拟退火（SA）各自优缺点的基础上,提出了采用遗传/模拟退火混合算法（GASA）的策略。该算法的核心思想是将模拟退火算法嵌入到遗传算法中,利用遗传优化算法的结果来制约模拟退火的随机状态产生,然后根据模拟退火算法的接受准则和随机状态产生函数来更新遗传算法的种群,从而最终得到最优解。与单纯的遗传算法和模拟退火算法进行对比实验,实验结果表明,GASA更有优势,得到的划分结果也更优秀。