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．     

一种基于改进遗传算法的机组优化策略

阐述了AGC机组优化组合的数学模型,在理论分析的基础上列出了其目标函数及约束条件.为了得到最优解,在标准遗传算法的基础上,对算法进行了改进,应用了趋同和异化概念,且算法实现了多子交叉和特殊变异,并引入精英选择的概念完成对解的筛选.最后利用文中所提改进遗传算法对机组优化仿真,与标准遗传算法进行对比.结果表明,改进遗传算法要优于标准算法11.33%,具有较大优势,可应用于大、中型系统实现机组组合优化.     

基于自适应遗传算法的离散化方法

属性离散化是应用粗糙集理论的关键问题之一。本文将粗糙集理论和遗传算法二者相结合,提出了基于自适应遗传算法的属性离散化方法。该方法动态调整各个个体的交叉和变异概率,优化了个体被选择的概率。实验表明,它能够明显的改善全局寻优能力,并大大加快了收敛速度。     

关于遗传算法在高校排课系统中的应用研究

排课是学校教务管理中需要解决的重要问题,该排课系统的应用为解决这一问题提供了重要参考价值。系统的主要功能是排课模块的设计,该论文重点研究了遗传算法在系统中的应用,即以遗传算法为理论基础,通过编码、适应度函数的设计等实现排课问题。     

MATLAB遗传算法工具箱(GAOT)的应用

简要阐述了遗传算法的基本原理,并对MATLAB遗传算法工具箱(GAOT)的参数进行了详细的介绍。探讨了MATLAB遗传算法工具箱在参数优化和非线性规划中的应用,实例证明了遗传算法在参数优化和非线性规划中的可行性。     

遗传算法及其在化学领域中的应用

简要地介绍了遗传算法的基本原理、理论基础及其在化学领域中的若干应用．指出遗传算法是基于自然选择和基因遗传学原理的随机的搜索算法，它无需体系的先验知识．能在许多局部较优中找到全局最优点；它以其解决非线性问题的鲁棒性、全局收敛性具有独特的吸引力，正引起越来越多的研究及应用．     

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。     

网络考试系统中算法的优化

目前网络在教育教学管理中的作用越来越重要,而在网络教学中,网络考试系统是重要的组成部分之一.如何提高网络考试系统中组卷速度及质量,核心是组卷算法.目前在各种自动组卷算法中,组卷质量较好的是遗传算法,但遗传算法在理论和应用方法上仍有许多亟待完善之处,本文提出一种优化的改进的遗传算法.     

遗传算法

本文介绍遗传算法的相关概念─染色体。适应值函数、复制算子、杂交算子和变异算子,给出算法描述和数值例子;同时给出遗传算法的模式定理和收敛性定理;最后,讨论遗传算法的特点和应用前景．     

基于遗传算法的题库选题设计与实现

从遗传算法的应用入手,阐述了遗传算法的相关概念和执行流程,深入研究了遗传算法在题库选题系统中的应用,探讨了初始种群、适应度函数、选择算子、交叉算子、变异算子的设计方法,并给出了关键实现代码。遗传算法为题库选题提供了高效的解决方案,能够取得良好的选题效果。     

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。     

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。     

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。     

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。     

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。     

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。     

基于遗传算法和神经网络的倒立摆控制系统

以单级倒立摆为对象,介绍了一种融合遗传算法的神经网络控制方法。该方法采用以多层前馈神经网络作为遗传搜索表示方法的思想,以神经网络为基础,用遗传算法来学习神经网络的权系数,既保留了遗传算法的强全局随机搜索能力,又具有神经网络的鲁棒性和自学习能力。仿真结果证明:遗传算法和神经网络的结合,可兼有神经网络广泛映射能力和遗传算法快速全局收敛等性能。     

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。