基于寿命特征的模糊遗传算法

在知识发觉中遗传算法已经广泛应用于分类，模型选择和其它优化问题．但是它的行为和表现却直接受其输入参数值（如交叉概率和变异概率）的影响，不合理的参数设置通常会导致许多问题比如早熟问题．为此有的学者提出用自适应技术在算法过程中自适应调整这些参数，但这并未对遗传算法产生整体的改善，因为参数设置是依赖于具体问题的．提出了基于染色体个体寿命特征的遗传算法，用模糊逻辑控制器自适应调整交叉概率和变异概率、这个方法加强了遗传算法的全局搜索能力，很好的解决了早熟问题．将本算法和标准遗传算法及自适应遗传算法比较，仿真结果表明本算法在克服早熟问题上的明显优势．     

基于改进型遗传算法的数据挖掘系统设计

提出了对遗传算法中适应度函数的构造,数据的编码等问题的改进方案,通过对"早熟"问题的分析,将改进的自适应交叉概率Pc和变异概率Pm算法应用到遗传算法中。最后给出了一种基于遗传算法的关联规则挖掘算法,并应用一个实例验证了算法的有效性。     

基于改进遗传算法的自动组卷系统的研究

针对基本的遗传算法在自动组卷系统中容易陷入局部最优解、迭代后期容易早熟收敛等缺点,提出了改进的初始种群选择方法、自适应的交叉概率和变异概率的改进遗传算法。并且通过对组卷数学模型的改进,使得系统对多门课程具有通用性。实验结果表明,改进遗传算法改善了算法的全局搜索能力,更好地克服了迭代后期的早熟现象,因而在组卷效果及效率上优于基本遗传算法。     

基于自适应遗传算法求解装箱问题

针对遗传算法在求解复杂优化问题时收敛速度慢,易陷入局部最优的不足,对标准遗传算法进行改进,将交叉概率和变异概率进行自适应调节,再结合移民策略,提出可自适应调节参数的改进遗传算法,应用该算法对装箱问题进行相应研究。     

基于自适应遗传算法求解装箱问题

针对遗传算法在求解复杂优化问题时收敛速度慢，易陷入局部最优的不足，对标准遗传算法进行改进，将交叉概率和变异概率进行自适应调节，再结合移民策略，提出可自适应调节参数的改进遗传算法，应用该算法对装箱问题进行相应研究。     

自适应遗传算法

用自适应的适应度函数、交叉概率及变异概率取代固定的适应度函数、交叉概率及变异概率来改进遗传算法,并与标准遗传算法进行了实验比较,结果证明：改进的遗传算法显著提高了收敛性能,并且具有很强的自适应能力。     

自适应遗传算法在多模图像配准中的应用

介绍了目前使用最多的几种基于互信息的医学图像配准优化算法,它们都有各自优点,但都存在不足。提出了一种改进的自适应遗传算法并已经被应用到多模图像配准的优化过程中,该方法采用优化前、后期分别调整交叉概率和变异概率,并利用二次交叉算法以及移民策略方法等来克服传统遗传算法比较容易陷入局部最优的缺点;给出了应用改进后的自适应遗传算法进行图像配准的算法步骤。通过对实验过程的分析和配准后的图像对比,实验结果表明了自适应遗传算法在多模图像配准中的应用的可行性和有效性。     

一种求解函数优化问题的自适应遗传算法

为克服人们在运用遗传算法求解问题时选择参数的经验主义或盲目性,提出了一种动态调整参数并结合直观的参数关系图和统计分析以寻找解决函数优化问题的最优交叉和变异率的组合参数的方法。同时,提出了一种根据群体适应度的情况动态调整交叉和变异率的自适应遗传算法,并通过实例验证了算法的优越性能。     

基于四维编码遗传算法的自动组卷研究

在深入分析自动组卷问题的基础上,比较了几种常用组卷算法的优缺点,提出了分组四维编码的改进自适应遗传算法。该算法的编码方案为分组四维编码,使用模拟正态分布的分组轮盘赌选择算子进行种群选取,对交叉和变异算子的概率,根据个体的适应度值分布特点进行非线性自适应调整。实验结果表明,改进后的遗传算法很好地实现了组卷功能,在效率和质量上都明显优于传统遗传算法组卷,具有很好的实用性。     

基于自适应遗传算法的组播路由研究

本文提出一种基于自适应遗传算法,解决了组播路由中既考虑时延抖动,又满足时延约束的NP-complete问题。遗传算法的进化过程中,采用适于此类问题的动态交叉算子和动态变异算子,既克服了遗传算法的早熟收敛性,又提高算法的收敛速度。仿真结果表明本文算法能适应网络的动态环境,快速的,有效的的构建组播树。     

基因群进化受控的自然遗传算法

１ＩｎｔｒｏｄｕｃｔｉｏｎＧｅｎｅｔｉｃａｌｇｏｒｉｔｈｍｓ（ＧＡｓ）ｗｅｒｅｐｒｏｐｏｓｅｄｔｏｓｏｌｖｅｐｌａｎｎｉｎｇ,ｓｃｈｅｄｕｌｉｎｇ,ｏｒｏｐｔｉｍｉｚａｔｉｏｎｐｒｏｂｌｅｍｓｉｎ１９７０ｓ．ＧＡｓｓｉｍｕｌａｔｅｎａｔｕｒａｌｅｖｏ...     

具有成熟前收敛判断的自适应遗传算法

针对传统的简单遗传算法的缺陷，提出了改进的具有成熟前收敛判断的自适应遗传算法．用群体熵值和均方差来预报成熟前收敛的发生．当成熟前收敛发生时，提出以群体中的最优个体为基础，在其一定大小领域内随机产生若干个体，取代原种群中的部分个体，其中更新的个体数占群体中个体总数的30％—40％，领域大小与目标函数极值点分布有关．仿真实验证明，算法的收敛速度和全局收敛概率都有显的提高．     

改进的遗传算法在图像分割中的应用

针对标准遗传算法在利用Otsu理论求取图像阈值时存在的收敛性问题,提出了一种自适应的遗传算法,采用动态地交叉概率和变异概率,有效地解决了过早收敛和全局收敛性问题,并把改进后的遗传算法应用于火焰图像上,实验证明,该方法对进行图像分割时是有效和可行的.     

遗传算法在智能考试系统中的应用

基于WEB的考试系统是现代考试系统发展的趋势。智能组卷系统是考试系统中的一个关键组成部分,而遗传算法是智能考试系统中最常采用的算法。通过讨论智能组卷中遗传算法的几个关键问题,提出了合理的设定种群规模、变异参数,避免遗传算法过早收敛并增强局部搜索能力、整体稳定性等问题的改进方法。     

求解度约束最小生成树问题的自适应遗传算法

在遗传算法中一个关键问题是必须采取措施保持种群多样性，防止算法出现早熟收敛。本文提出了一种基于父个体相似度的自适应遗传算法，使用新的自适应遗传操作策略以保持种群多样性。将新算法用于求解图的度约束最小生成树问题，实验结果表明本方法到比不使用父个体相似度信息的普通遗传算法权值更低的度约束最小生成树。     

Training Kohonen Networks by Using an Improved Genetic Algorithm

ＴｒａｉｎｉｎｇＫｏｈｏｎｅｎＮｅｔｗｏｒｋｓｂｙＵｓｉｎｇａｎＩｍｐｒｏｖｅｄＧｅｎｅｔｉｃＡｌｇｏｒｉｔｈｍＳｏｎｇＡｉｇｕｏ（宋爱国）ＬｕＪｉｒｅｎ（陆佶人）（ＤｅｐａｒｔｍｅｎｔｏｆＲａｄｉｏＥｎｇｉｎｅｅｒｉｎｇ，ＳｏｕｔｈｅａｓｔＵｎｉ...     

基于改进遗传算法的自动组卷算法研究

在在线考试自动组卷中,为了避免简单遗传算法收敛速度慢及早熟收敛的问题,提出了基于实数编码、分段交叉、有条件生成初始种群的改进遗传算法。实践表明,改进的遗传算法能更好地解决自动组卷问题,具有较好的实用性。     

遗传算法在组卷策略中的应用

给出智能组卷数据模型,采用遗传算法中编码、初始群体、迭代等步骤,利用交叉概率、变异概率和适合度判断迭代的收敛性,并产生适合规则的群体.对比遗传算法及其他组卷策略,遗传算法在组卷次数及组卷时间上优于传统的组卷策略.     

一种自适应变异二进制粒子群算法

针对二进制粒子群算法(BPSO)具有过早收敛的缺陷,在粒子位置更新后提出变异概率自适应从大到小的变异操作。 同时对算法惯性权重参数采用递增的设置方案,从而得到一种自适应变异BPSO 算法(AMBPSO),将其应用于特征选择问题。 实验结果表明,提出的新算法前期具有较强的全局搜索能力,后期具有较强的局部搜索能力,能使平均选择特征数量最多从27.6 个减少到20.2 个,平均分类准确率最多从91.346%提升到94.135%。     

一种基于实数编码的自适应遗传算法

分析了进化遗传算法的弊端。提出了一种基于实数编码和自适应变异率的改进遗传算法,将变异率定义为自上次进化以来未进化次数的函数,同时采取最优保存策略,有效地避免了采用二进制编码时计算精度与计算量之间的矛盾,克服了基本遗传算法因变异率选择不当引起的“早熟”现象及后期收敛速度慢的问题。计算结果表明,新方法成功地解决了进化遗传算法存在的问题,且计算效率较高。