并行化遗传算法研究

并行遗传算法（Parallel Genetic Algorithms,PGA）广泛应用于解决各种优化问题。给出了遗传算法并行化目的描述,做出并行性分析。详细介绍遗传算法三种结构化并行模型：踏脚石模型,岛屿模型,邻接模型。最后给出并行遗传算法的硬件支持环境及性能评价。     

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.     

基于机群计算的导热反问题并行遗传算法

遗传算法具有天然的易并行性,因此,当问题比较复杂或者初始种群规模比较大的时候,通常会将遗传算法并行化。但是并行机的代价高,普及面狭窄,因而选择机群系统作为并行计算的主体,是一个简单有效的办法。通过导热反问题的并行遗传算法研究了机群计算的并行效率和加速比。     

基于机群计算的导热反问题并行遗传算法

遗传算法具有天然的易并行性,因此,当问题比较复杂或者初始种群规模比较大的时候,通常会将遗传算法并行化.但是并行机的代价高,普及面狭窄,因而选择机群系统作为并行计算的主体,是一个简单有效的办法.通过导热反问题的并行遗传算法研究了机群计算的并行效率和加速比.     

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。     

基于遗传算法的公交智能排班

运营车辆智能排班问题是公交车辆智能调度需要解决的典型问题之一。文中应用已有的客流信息,并兼顾到乘客和公交公司的双重利益,建立起一个符合实际情况的数学模型。在此基础之上引入了遗传算法(GA),针对公交智能排班问题,构造了符合行车规律的编码方式、遗传算子,并实现了程序的编码工作,最后进行了模拟实验。     

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.     

基于多种群的多目标遗传算法研究

根据求解多目标优化问题时的一般要求,结合当前多目标优化算法的研究状况,从增强和保持种群的多样性角度出发,采用多种群的方式,提出了一种基于多种群的多目标遗传算法,同时算法中采用ε-占优的策略更新外部种群.通过针对经典测试函数的实验表明,该算法能够求得这些问题的Pareto前沿,说明该算法具有求解复杂多目标优化问题的能力.     

种群规模自适应遗传算法操作中的合法性分析

本文分析了种群规模自适应遗传算法在选择、交叉、变异操作中的合法性，给出了交叉率的建议公式。实验结果证明了建议公式的正确性。     

基于多种群的多目标遗传算法研究

根据求解多目标优化问题时的一般要求,结合当前多目标优化算法的研究状况,从增强和保持种群的多样性角度出发,采用多种群的方式,提出了一种基于多种群的多目标遗传算法,同时算法中采用ε-占优的策略更新外部种群。通过针对经典测试函数的实验表明,该算法能够求得这些问题的Pareto前沿,说明该算法具有求解复杂多目标优化问题的能力。     

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。     

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.     

遗传算法求解TSP问题的研究

针对组合优化中的TSP问题,分析了遗传算法的特点,设计了遗传算法的编码、交叉、变异及进化逆转算子,克服了遗传算法容易出现局部收敛的现象,并使用Matlab实现了这一算法,将其应用于山东省17个城市的TSP问题,通过计算结果分析验证了该遗传算法的有效性。     

一遗传算法求解 TSP 问题的研究

针对组合优化中的TSP问题,分析了遗传算法的特点,设计了遗传算法的编码、交叉、变异及进化逆转算子,克服了遗传算法容易出现局部收敛的现象,并使用Matlab实现了这一算法,将其应用于山东省17个城市的TSP问题,通过计算结果分析验证了该遗传算法的有效性。     

并行遗传算法在软件可靠性优化中的应用

遗传算法,也就是通过模仿大自然中的遗传学算法来建立的一种能够进行随机搜索工作的运算技术,这种技术尤其适用于在进行组合优化的问题进行近优解的计算过程中。遗传算法已经经过了多年的实践应用,通过这些应用我们发现,它有着远超 GA 这一类的计算技术的运算能力,能够较好的处理大规模的运算,本篇文章主要针对遗传算法的并行执行过程进行了深入的研究,以期为其他项目在计算的过程中提供一定的参考。     

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。     

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.     

基于二进制改进遗传算法的0_1背包问题求解方法

一般遗传算法求解0_1背包问题时,存在着搜索速度和求解质量之间的矛盾.针对此问题,文中在逆序算子、对偶算子和矩阵遗传算子的研究基础之上,将其进行组合应用,构造了一种基于二进制编码的改进遗传算法,用于求解0_1背包问题,保证了算法的全局收敛性.仿真实验结果表明,该求解方法具有良好搜索效率和求解质量.     

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。