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。     

一种新型自适应遗传算法在多峰函数优化中的应用

为解决传统遗传算法在一维多峰函数优化中容易陷入局部极值、收敛概率低、稳定性不理想等问题,提出了一种新型的自适应遗传算法。结合自适应差分进化算法流程,提出了一种基于种群适应度变化程度而变化的非线性交叉算子和变异算子,使算法跳出局部极值,寻找到全局最优解,提升最优值迭代效率。函数测试实验表明,在一维多峰函数优化中,该算法在函数收敛概率、最优值迭代效率以及稳定性上比已有算法均有提高。     

遗传算法在排课问题求解中的应用

排课问题是多因素优化决策问题,本文根据编排课表的特点;建立铜仁学院自动排课系统的数学模型,并设计了新的适应值函数,用遗传算法进行求解。若对本系统的适应度函数作适当修改,可适用于各类学校的排课问题。     

遗传算法在自动组卷中的应用

自动组卷策略是利用计算机自动完成试卷生成的一种方案,整个过程的人工投入少,在很大程度上解放了教师,提高了工作效率。能否自动组出满足用户要求的试卷,与组卷使用的算法紧密相关。采用遗传算法,按照选择编码方式、产生初始种群、计算自适应函数、进行遗传操作、试卷生成的过程,可完成自动组卷操作。     

遗传算法在自动组卷中的应用

自动组卷策略是利用计算机自动完成试卷生成的一种方案,整个过程的人工投入少,在很大程度上解放了教师,提高了工作效率。能否自动组出满足用户要求的试卷,与组卷使用的算法紧密相关。采用遗传算法,按照选择编码方式、产生初始种群、计算自适应函数、进行遗传操作、试卷生成的过程,可完成自动组卷操作。     

遗传算法在高校排课问题中的应用

排课问题是一个多因素的优化决策,是组合规划中的典型问题,属于NP完全类问题。根据高校课表的特点,采用遗传算法,给出染色体编码和适应度函数,提供了利用遗传算法解决排课问题的方法。     

遗传算法在高校排课问题中的应用

排课问题是一个多因素的优化决策,是组合规划中的典型问题,属于NP完全类问题.根据高校课表的特点,采用遗传算法,给出染色体编码和适应度函数,提供了利用遗传算法解决排课问题的方法.     

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。     

改进遗传算法求解流水车间调度问题

提出了一个求解流水车间调度问题的改进的遗传算法.该方法把一个染色体编码成若干个可以重复的自然数,表示相应工件的排序权值;通过简单交换两个父代的若干相同位置的基因,产生能够继承父代优良特性的子代;并且采用均匀变异,更好地保持种群中基因的多样性.实验表明,比起传统的遗传算法,该方法的性能有显著改善.     

遗传算法在求解TSP问题上的应用

论述了遗传算法在编码表示和遗传算子等方面的应用情况,指出了常用编码方法的优点和缺点,并且结合TSP的运行实例详细分析了基本遗传算法对求解结果和求解效率的影响.简单说明了混合遗传算法在求解TSP问题中的应用并对遗传算法解决TSP问题的前景提出了展望.     

求解JSP问题的一种自适应遗传算法

该文在对车间调度问题进行描述的基础上,提出了一种新的自适应遗传算法,并将其应用于JSP问题.     

遗传算法在函数优化中的应用

遗传算法是目前广泛应用的一种随机搜索全局优化算法.函数优化是遗传算法的经典应用领域.文章分析了遗传算法的运行机理,利用Matlab优化工具箱,以具有代表的多峰函数为例,实现了用遗传算法求解多维变量的函数优化问题.结果显示其计算效率高,收敛速度快.     

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。     

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。     

遗传算法在求解背包问题中的应用

遗传算法是模拟自然界生物进化过程的计算模型，本文阐述了遗传算法的基本理论，给出了遗传算法解决背包问题的基本方法，并通过实例计算证明了该方法的可行性和有效性．     

关于函数优化遗传算法的研究

遗传算法是一种有效的模拟进化算法，针对不同问题，编码方式多种多样，本文就函数优化问题，阐述了不同的编码方式及遗传操作。     

运用遗传算法求解TSP问题的探讨

通过对遗传编码方案的改进,克服了TSP问题中的数据冗余缺陷,使得搜索性能得到提高.将该遗传算法应用于实际TSP问题,计算结果证明了该遗传算法的有效性.     

小生境遗传算法在函数优化中的应用

探讨了基于稳态复制策略的二进制小生境遗传算法,并把其应用于复杂函数优化问题中,通过与基于最优保存策略的基本遗传算法进行比较,说明改进算法可以极大克服遗传算法未成熟收敛问题以及极易陷入局部解问题,提高了算法收敛性能和收敛速度。     

遗传算法编程求解TSP问题

利用基本遗传算法的思路解决旅行商问题,选择仍然采用轮盘选择方法;交叉算法采用一个启发式交叉算法,交叉位置随机,该算法以一定的概率生成一个比父代好的解,交叉概率取0.1;变异概率0.005。经多次运行,求得最优值。停止法则为循环最大遗传代数为止,另外如果30代解没有改进则停止。编程环境为Mat-lab6.5。     

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。