一种基于约束机制的通用并行遗传算法

虽然目前流行的几种并行遗传算法模型在一定程度上解决了遗传算法的速度瓶颈,但是现有的并行遗传算法模型要求服务器对各个种群(或处理器)不断地协调和交换信息,因此带来了很多资源的浪费.另外目前的并行遗传算法模型没有很好的可扩展性,不能充分保留各种遗传算法的优势和特点.因此研究如何减少并行遗传算法因通信所带来的资源消耗,是进一步提高并行遗传算法效率的主要途径.另外研究并设计一个通用的并行遗传算法模型,使并行遗传算法的可扩展性,可维护性得到提高,充分利用现有遗传算法的研究成果,减少软件复用的代价,是进一步使并行遗传算法得到广泛应用的关键.     

用于测试用例自动生成的遗传算法改进

探讨遗传算法的基本准则及其在软件测试中的应用,在此基础上对遗传算法进行改进。针对基本遗传算法中选择算子、交叉算子、突变算子的不确定性,以及容易陷入局部最优解和停滞的问题,提出SO、SACO、SCAMO算法。对改进的遗传算法和基础遗传算法进行比较。实验结果表明,改进的遗传算法比基础遗传算法自动生成测试用例的时间更短、效率更优。     

退火遗传算法及其在一维切割问题上的应用

针对标准遗传算法在解决优化问题中存在的问题,提出了改进标准遗传算法的退火遗传算法,并把该算法应用于一维最优切割问题上。通过与标准遗传算法求解一维切割问题的比较,验证了退火遗传算法的有效性。     

基于遗传算法的研究与Matlab代码的实现

针对遗传算法的发展,介绍了遗传算法的研究现状,描述了遗传算法的工作原理以及算法的计算流程。介绍了遗传算法在各领域中的应用,并以遗传算法解决旅行商问题给出了实现代码,并给出了实验结果。     

遗传算法的数学基础与一个算例

本文介绍了遗传算法的数学基础,遗传算法的特点以及遗传算法和传统优化算法的区别。     

遗传算法应用

文章从遗传算法的理论基础出发,阐述了遗传算法的特点与基本原理.通过利用遗传算法解决旅行推销的问题实例,描述了遗传算法对于求解复杂优化问题的优势.     

遗传算法及其改进研究

遗传算法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自适应全局优化概率搜索算法。本文讲述了遗传算法的相关知识要点,通过对遗传算法特点的分析,提出遗传算法的缺点,然后针对遗传算法的缺点提出相应的一些改进方法。     

遗传算法的基本原理及其应用研究

介绍了遗传算法的基本概念和基本原理,分析说明了遗传算法求解实际问题的基本步骤以及应用领域,指出了遗传算法在应用中的几个关键问题,同时简要介绍了遗传算法研究新动向及存在的问题。     

遗传算法在高校教务排课系统中的应用研究

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化搜索算法。针对高职院校课表的特点,本文详细分析遗传算法在排课系统中的基本思想及遗传算法的设计步骤,主要论述了利用遗传算法求解高职院校课表的编排问题,提出了应用遗传算法解决排课问题的有效方法。     

浅析遗传算法

本文介绍了遗传算法的起源、基本内容、应用领域、基本原理、分析了其特点等.目前,解决一些种群规模较大的问题时普遍采用并行遗传算法.同时本文也分析了遗传算法和并行遗传算法的一些局限性等,希望通过此文能够帮助大家初步了解有关遗传算法的基本知识.     

基于混合遗传算法的关系型数据库多连接查询优化

该文分析了关系型数据库的查询优化问题，针对多连接查询提出将遗传算法和爬山法结合，从而构造了关系型数据库多连接查询优化问题的混合遗传算法，并进行了实验计算。结果表明，用混合遗传算法解决多连接查询优化问题，可以发挥遗传算法和爬山法的不同优势，从而得到较满意的查询优化性能。     

免疫遗传算法在BP网络结构优化中的应用

免疫遗传算法是基于免疫原理的改进遗传算法，它能克服遗传算法易早熟、搜索效率低、不能很好保持个体的多样性等缺点。本文将免疫遗传算法用于BP网络结构优化设计中，仿真实验结果表明，该方法有很好的效果。     

用基本遗传算法解决0-1背包问题

遗传算法是一种基于自然选择和遗传机制的搜索算法.笔者以著名的0-1背包问题为例详解了遗传算法的基本思想和实现过程,旨在让更多的读者了解遗传算法.     

基于遗传退火算法的关联规则挖掘

把模拟退火算法具有全局平衡的特性引入到遗传算法中来,避免了遗传算法收敛性慢以及容易陷入早熟的特点,提出了一种基于遗传退火策略的关联规则挖掘模型。实验结果表明,与遗传算法相比,改进的算法更能有效挖掘大型数据集中的关联规则。     

一种改进的遗传算法及其性能研究

为克服遗传算法收敛速度慢、稳定性差的缺点。从模式定理出发，讨论遗传算法的本质，以基本遗传算法为基础，对选择算子进行改进，在引入最优个体保护策略以确保收敛性的基础上设定动态闽值，既提高交配池的平均适应值又兼顾群体多样性。仿真研究表明，改进的遗传算法有效提高群体的平均适应值。加快收敛速度。提高稳定性。     

有关多目标遗传算法的研究

概括介绍了目前的多目标遗传算法(MOGA)，并给出了一种新形式的MOGA，也就是稳定态非受控排序遗传算法(SNSGA)。该算法是把单目标遗传算法中的部分更新种群观点和非受控排序遗传算法中的适应度指派方法相结合而实现的，改进了适应度指派方法并提出了一种新的αshare自适应决策方案。在包括遗传算法难题和遗传算法欺骗问题的实验中，该算法也成功地得以实现。     

遗传算法的研究

遗传算法是一种基于生物自然选择与遗传机理的随机搜索与优化方法．近年来，由于遗传算法求解复杂优化问题的巨大潜力及其在工业工程领域的成功应用，这种算法受到了国内外学者的广泛关注．本文介绍了遗传算法的研究现状和基本原理，概述了它的理论和技术，并对遗传算法的性能作了分析．以推销员旅行问题为例来展示遗传算法在求解复杂优化问题上的优越性．     

改进遗传算法在文本聚类中的应用研究

分析了K均值聚类算法（K-means）存在的不足和改进遗传算法的全局优化能力,提出一种基于改进遗传算法的文本聚类方法,该方法将原始文档转化成用向量空间模型来描述的文本向量,首先随机产生若干个文档向量作为初始聚类中心形成遗传算法的染色体种群,经过改进遗传算法的选择、交叉、变异进化运算,得到较为优化的K均值聚类算法的初始聚类中心。实验表明该算法文本聚类提高了查准率和查全率,算法的高效性也得到了验证。