遗传算法求解函数极值的应用

通过用遗传算法求高等数学中的函数极值问题,说明了遗传算法对连续、可导等条件的放宽,同时,也体现了遗传算法在求解高等数学中函数极值的良好应用.     

改进适应度函数的遗传算法

提出了一类新的改进的适应度函数的遗传算法，考虑了函数在搜索点的函数值及其变化率，结果表明收敛速度明显高于标准遗传算法。     

求多峰函数全部全局最优解的胞腔排除遗传算法

借助胞腔，并利用遗传算法能够最终收敛于非线性多峰函数全局最优解的特点，动态地剖分和排除胞腔，从而构成一种新型遗传算法－胞腔排除遗传算法，利用该算法可求取非线我峰函数全部全局最优解，仿真实验表明该算法合理，有效。     

基于小波隶属函数的模糊推理规则优化

隶属函数决定着模糊集的特征，建立小波基函数与隶属函数之间的联系，从而利用小波分析探讨模糊推理的实质，以一种非对称Haar小波基与三角型、梯型隶属函数的对应关系为基础，将小波分析、遗传算法与模糊系统结合，利用遗传算法实现小波隶属函数的训练学习，进而实现模糊推理规则的优化。     

人工神经网络结合遗传算法在建模和优化中的应用

用MATLAB构造了人工神经网络和遗传算法程序。人工神经网络用来建立数据样本间的函数关系，而遗传算法用来求解由该函数作为目标函数的优化问题。最后用一个实例对所编程序进行了测试，结果是令人满意的。     

进化优化小生境遗传算法控制参数的研究

小生境遗传算法与遗传算法相比，在求解多峰函数等最优化问题上具有显著的优势，但是小生境距离参数的确定缺乏理论依据，限制了小生境遗传算法的应用。该文提出了一种求解小生境之间距离参数的新方法——基于遗传算法进化优化小生境距离参数。根据多峰目标函数的具体情况，应用遗传算法随机寻优得到若干个最优值，由这些最优值的最小欧氏距离指导小生境距离参数的取值。依据此方法确定小生境之间的距离参数，应用小生境遗传算法成功求解了Shubert多峰函数的所有全局最优值以及六峰值驼背数Back Function的所有局部极小值。     

一种改进的混合遗传算法

针对遗传算法爬山能力差的弱点，对传统的遗传算法进行改进，构造出新的重组策略，提出用禁忌搜索作出变异算子，对典型函数的测试表明，改进的遗传算法提高了遗传算法的爬山能力。     

多重群体遗传算法在多选择背包问题中的应用

在解决多选择背包问题中，引入了多重群体遗传算法作为求解方法，根据此问题的特点，制定了具体的杂交、变异方法，设计了遗传算法。在算法中以目标函数加惩罚函数为适应值评价函数，采用新陈代谢的跨世代选择策略，以更好地保持进化过程中的遗传多样性。实践表明，引入了多重群体遗传算法之后，求解此问题效率有明显的改善与提高。     

基于多智能体的新型遗传算法及其在复杂系统中的应用研究

通过对简单遗传算法及其研究现状的分析研究，及对复杂系统与简单遗传 算法特点的比较分析，针对简单遗传算法的不足，提出了一种基于多智能体的新型遗传算法，定义了新型遗传算法中的环境、智能体结构、遗传算子、目标/评估函数和流程图，最后用一个测试函数和复杂环境下的多峰函数对它进行了验证分析. 结果表明，新型遗传算法具有明显的优点和优势，特别适合于复杂系统中的问题求解．     

基于罚函数的小生境遗传算法在MATLAB中的实现

介绍了罚函数的基本概念及目的，阐述了基于罚函数的小生境遗传算法的基本思想及算法步骤，探讨了在MATLAB环境中实现该算法各算子的编程方法，并通过数值实验说明基于罚函数的小生境遗传算法具有较好的多峰搜索能力。     

基于改进GA-PSO的可重构测试资源匹配方法

为提高测点信号与可重构测试资源匹配效率,建立了基于STD标准的测点信号与可重构测试资源的数学描述模型.针对可重构测试资源的特点,结合工程实际提出了基于Sigmoid函数的匹配函数,以资源可靠性、配置文件大小及配置时间因子作为罚函数,利用匹配函数构造出遗传算法的适应度函数.为解决遗传算法搜索速度较慢的问题,改进了遗传算法的选择算子和交叉算子,将粒子群算法应用到遗传算法中,解决了遗传算法在算法后期迭代效率低下的问题,最后通过实例验证了算法的有效性.     

基于遗传算法对奥赛罗问题的研究与改进

遗传算法是一种高效的最佳化的搜寻方法,具有简单、通用、鲁棒性强的特点,适合处理传统的搜索方法难以解决的复杂和非线性问题.利用遗传算法的思想,根据先验知识设计遗传算法初始群体产生方式和适应度函数,对传统的奥赛罗问题进行求解,并在传统遗传算法中加入自我调适的方法,来提高遗传算法的总体性能.在对这些问题进行研究的基础上,给出了大量的对比实验证明该算法是有效的,得出改进的遗传算法比传统遗传算法有更好的演化结果,并克服了传统遗传算法的早熟现象.     

改进的自适应遗传算法在函数优化中的应用*

针对传统遗传算法在复杂函数优化的寻优搜索中容易陷入局部极值,搜索效率低,不稳定等特点,提出一种改进的自适应遗传算法,该算法的思想是根据进化中种群适应度的集中分散的程度非线性地自适应调节遗传进化的运算流程和交叉概率Pc、变异概率Pm的值,从而能更好地产生新的个体摆脱局部极值搜索到全局最优解,并采取最优保存策略来保证改进的自适应遗传算法的收敛性。仿真实验结果表明,与现存其他算法相比,改进的自适应遗传算法在全局寻优的收敛速度、最优解、求解精度、和稳定性等方面都有了较大的改进和提高。     

遗传算法的改进与应用

遗传算法是一种借鉴生物界自然选择和自然遗传机制的随机搜索算法,它与传统的算法不同。大多数古典的优化算法是基于一个单一的度量函数(评估函数)的梯度或较高次统计,以产生一个确定性的试验解序列;遗传算法不依赖于梯度信息,而是通过模拟自然进化过程来搜索最优解。该文针对传统遗传算法的缺陷,提出了一些新的改进思路,即从搜索技术和遗传算子等的角度来改进遗传算法。     

求解全局最优化的遗传（GA）-Alopex算法的研究

针对遗传算法爬山能力差的弱点,对传统遗传算法进行改进,提出了将遗传算法与Alop ex（Algorithms of pattern extraction）算法相结合,结合在一起的混合算法充分发挥了 两者的优越性,对典型函数的测试表明该算法提高了遗传算法的计算速度和计算精度.     

一种遗传算法适应度函数的改进方法

针对简单遗传算法中线性适应度函数随进化过程恒定不变的缺点。提出一种可随进化代数动态调整的非线性适应度函数。以典型的遗传算法测试函数为算例,分别以Goldberg提出的线性拉伸方法与文中提出的改进遗传算法进行计算。计算结果表明文中提出的动态适应度函数对简单遗传算法的改进有较明显的效果。     

基于混合智能学习算法的函数优化研究

为了改善人工神经网络在优化计算中的一些缺陷和提高遗传算法的局部搜索能力及收敛性能,提出了一种混合智能学习算法,采用遗传算法和误差反向传播算法(BP算法)相结合,将BP算法以一个算子的形式插入到遗传算法中,以提高利用人工神经网络和遗传算法进行优化计算的搜索能力和收敛性能;通过对实例函数的优化计算,对插入BP算子的遗传算法和传统遗传算法的优化结果进行了比较分析,结果表明BP算子的插入对遗传算法的优化性能、收敛速度和收敛精度有较大改善.     

基于模式记忆的免疫遗传算法

免疫遗传算法在传统遗传算法的全局随机搜索的基础上,借鉴生物免疫机制中的抗体的多样性,能有效提高群体的多样性,同时其具有记忆功能能够有效地提高搜索效率。但是在函数优化问题的解决上,免疫记忆功能一直没有能很好的实现。该文提出在免疫遗传算法中引入模式控制的方法来解决复杂函数优化的问题。基于免疫遗传机制,利用免疫记忆库记忆优秀免疫遗传模式,它能有效地加速优化过程,并且克服通常函数优化无缺乏记忆的功能。通过一个复杂函数的仿真实例证明了该方法的有效性。     

一种基于遗传算法的软件测试用例生成新方法

建立了一个基于遗传算法测试用例生成的系统模型,在该模型下通过分支函数插装的方法构造遗传算法所需的评价函数并针对软件测试用例生成问题的特点对传统遗传算法进行了改进;最后,给出了一个实例并分析了实例的执行情况。