遗传算法研究综述

遗传算法是一种借鉴生物界自然选择和进化机制发展起来的高度有效的随机搜索算法.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主要特点、基本原理及其设计步骤,并指出了相关的研究方向.     

简单遗传算法模型

遗传算法通过编码技术,运用繁殖、杂交、和突变等遗传算子,对染色体组成的初始种群,进行适应度分析,构成优胜劣汰、适者生存的自然环境,产生出新的更加优良的种群.经过若干代的进化,最终求得适合问题的最优解.     

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。     

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。     

基于改进遗传算法的测试用例生成研究与仿真

提出一种基于改进遗传算法的测试用例自动生成工具,改进的遗传算法通过路径构建方法构建目标路径矩阵集合以及实际路径矩阵,通过对比目标路径矩阵与实际路径矩阵差异设计适应度函数,通过归一化处理得到适应度值,最后根据适应度值调节遗传算子,得到问题的最优解集合进而得到全部测试数据。工具通过可视化界面操作实现待测程序的自动插桩、自动生成覆盖全部路径的测试用例并代入程序进行测试,最后反馈生成测试结果。改进的算法能够提高算法收敛速度,降低早熟程度,在覆盖率及准确度相同的情况下,工具生成用例可以减少测试数据生成时间,达到节省测试成本、提高测试效率的效果。     

遗传算法在非线性方程组求解中的应用

本文研究了遗传算法在非线性方程组求解上的应用，分析了其解决此类问题的特性及局限性。     

matlab神经网络优化的遗传算法

遗传算法它将＂优胜劣汰,适者生存＂的生物进化原理引入待优化参数形成的编码串群体中,按照一定的适配值函数及一系列遗传操作对各个体进行筛选,从而使适配值高的个体被保留下来,组成新的群体,新群体中各个体适应度不断提高,直至满足一定的极限条件.此时,群体中适配值最高的个体即为待优化参数的最优解.正是由于遗传算法独有的工作原理,使它能够在复杂空间进行全局优化搜索,并且具有较强的鲁棒性.     

遗传算法综述

回顾了遗传算法的发展历程，并对遗传算法的基本原理及特点作了简要阐述；进一步指出了遗传算法存在的问题及相应的改进措施；讨论了遗传算法在实际中的应用。     

遗传算法之算子改进

针对传统遗传算法的缺陷，提出了一种新的改进思路，即从遗传算子的角度来改进遗传算法。     

遗传算法的研究与发展动向

遗传算法是建立在自然遗传学机理基础上的参数搜索方法，在许多优化问题中都有成功的应用。本文介绍了GA的思想来源及基本原理，理论研究状况，提高收敛速度的策略及其发展新动向，同时比较了GA与其它人工智能技术。     

一种基于排序的新型遗传算法

提出了一种新型遗传算法,算法的遗传操作是基于排序的模式下进行的,且根据每代种群的集中度对种群进行一定数量的突变.最后对几个标准函数进行了试算,结果表明算法具有良好的效果.     

改进的交叉算子在遗传算法中的研究及应用

交叉算子是遗传算子中一个重要的算予,是对双亲个体进行交叉重组得到不同的两个新个体的过程,对遗传算法搜索结果有重要的影响。从交叉概率和交叉策略两个方面可以改进交叉算子,将其应用到函数优化中能获得比典型的遗传算法更优的解,且性能更优。     

改进型自适应遗传算法研究

针对遗传算法的改进 ,提出了一种新的评价种群过早收敛程度的指标 ,进而给出一种新的自适应调整策略。仿真计算表明 ,该方法较一般遗传算法和一般自适应遗传算法有较大提高     

遗传算法的收敛性研究

通过马尔可夫链方法,分析种群在解空间上概率分布情况以及收敛到最优解的概率,证明经典GA是不会收敛到最优解的,若在GA中保留每一代的最佳个体,则可以收敛到最优解。讨论全局收敛和过早收敛的原因,最后提出GA操作中应遵循的原则是改进GA搜索性能的关键。     

提高遗传算法性能的策略研究

本文针对遗传算法进行优化时存在的局限性，总结了提高遗传算法性能和避免遗传算法早熟的一些策略．并将其中一些策略应用于我们研发的圆形套裁下料系统．实验证实这些策略取得了良好的效果．     

免疫算法与遗传算法的比较

免疫算法与遗传算法二者有不同点，通过仿真实验表明它们之间在功能和应用方面有区别．     

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。     

适应值共享小生境遗传算法实现与性能比较分析

小生境遗传算法是近年来智能计算领域的研究热点之一,基于适应值共享的小生境遗传算法在解决多种优化问题时收到了很好的效果.该文对基于适应值共享小生境遗传算法的多种实现机制进行探索,并对不同类型算法各自的性能、适应情形和优缺点进行比较分析.     

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。