具有成熟前收敛判断的自适应遗传算法

针对传统的简单遗传算法的缺陷，提出了改进的具有成熟前收敛判断的自适应遗传算法．用群体熵值和均方差来预报成熟前收敛的发生．当成熟前收敛发生时，提出以群体中的最优个体为基础，在其一定大小领域内随机产生若干个体，取代原种群中的部分个体，其中更新的个体数占群体中个体总数的30％—40％，领域大小与目标函数极值点分布有关．仿真实验证明，算法的收敛速度和全局收敛概率都有显的提高．     

遗传算法求解N皇后问题的优化

采用vector容器高效的染色体整数编码和成熟的泛型算法,改良遗传算法求解N皇后问题,说明此方法更通用、简洁和高效.     

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.     

基于遗传算法和BP神经网络的优化设计方法

随着生产规模的复杂化、多维化和非线性等复杂特性的增加，对生产中高效的优化技术要求也越来越迫切，利用并行遗传算法和BP网络的优点，提出采用遗传算法的并行搜索和解空间搜索的优点进行网络参数的选取，利用BP网络简单和可塑性强的优点来优化样本空间，以取得整体的优化效率。     

使用遗传算法的间接特征向量选取方法

遗传算法目前在特征向量选取中扮演着重要角色。由于其具有并行、自适应强等诸多优点,广泛受到多个领域的关注。本文首先对遗传算法、谱聚类等基础知识进行概述,其次介绍遗传算法的三个重要过程遗传、变异及交叉算子。最后给出遗传算法进行特征选择的步骤。为研究谱聚类算法中,使用遗传算法进行特征选择提供学习参考。     

基于遗传算法的优化方法研究

本文介绍了利用遗传算法进行优化设计的基本原理。针对多变量优化问题，采用基本的遗传算法对其进行研究。给定优化的结果表明，用遗传算法来搜寻最优结果是十分有效的。     

遗传算法交叉算子的性能研究

根据目前实际应用中遗传算法的基本概况 ,对遗传算法中起核心作用的交叉算子的性能进行了研究 ,分析了交叉算子对遗传算法收敛性的影响以及如何有效地设计高性能的交叉算子 .     

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。     

基于遗传算法的数据预处理组合方法

进行数据挖掘之前的原始数据经常是不完整或存在异常,针对这种情况,在众多数据预处理算法的基础之上,文中提出了一种基于遗传算法的数据预处理组合方法,能有效的利用各种方法的优点,提高了估计的精确度.通过实验证明,该方法优于其他各种单一方法.     

遗传算法收敛性的一种直观解释

介绍了一种遗传算法收敛性的新解释,即利用不动点理论及压缩映像原理来解释具有单峰函数的收敛性问题。     

基于改进遗传算法的功率调配优化研究

论文对AGC功率调配优化问题进行了研究。针对AGC功率调配的特点,设计了一种用于进行功率调配优化的改进遗传算法。对机组状态和容量采用分别处理的模式,缩短了二进制编码长度;将适应度函数映射为综合成本,简化了约束条件的处理,提高了算法的精度和效率。     

用遗传算法求解非线性方程组

利用遗传算法能通过求解正问题而达到求解反问题的特性,提出了一种全新的求解非线性方程的方法．该算法具有普适性、全局收敛性及编程简单、计算量小等优点．通过一些计算实验,进一步证明了该方法的有效性．     

用遗传算法求解非线性方程组

利用遗传算法能通过求解正问题而达到求解反问题的特性,提出了一种全新的求解非线性方程的方法,该算法具有普适性、全局收敛性及编程简单、计算量小等优点,通过一些计算实验,进一步证明了该方法的有效性。     

遗传算法对图像模板匹配的优化

本文分析了常见标志物的特征模板匹配过程,并通过遗传算法对十字丝匹配进行优化,在给定参数下,绘制了平均适应度和最大适应度曲线。通过固定代数和不固定代数情况下的实验,分析匹配结果值,得出遗传算法对模板匹配有极强的全局寻优能力,能够大大减少匹配计算量。     

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。     

改进的遗传算法及其在优化IC中的应用

本文介绍一种改进遗传算法，通过引入强制变异算子，避免了超级个体的出现，保证了杂交算子的有效性，提高了遗传算法的全局寻优能力．用改进的遗传算法代化仿人智能控制器．得到了理想的结果，由此得出一阶纯滞后对象的OIC参数整定公式．     

计算机图形学算法可视化方法研究

计算机图形学这门课程包含大量的算法,在教学中发现,传统的教学方法容易使学生认为其难以理解、枯燥。算法教学的困难在于其抽象性,为了解决这个问题,我们试图研究算法的可视化。通过设计一些可视化模块并将其作为传统教学的补充,可以获得更好的教学效果。     

基于递阶遗传算法的神经网络预测控制(英文)

针对具有时延非线性系统提出一种神经网络预测控制．相应的预测模型通过递阶遗传算法离线训练数据并实时多步递推得到;性能函数中引入模型误差校正以克服模型失配及干扰等对系统造成的影响．仿真结果表明该系统具有良好动态响应及鲁棒性．     

基于混合选择策略的GA数值寻优

函数优化是遗传算法应用的一个方面,标准遗传算法通常采用的是轮盘赌选择、单点交叉和变异等基本操作算子,其缺点是全局收敛性差,易造成“不成熟”收敛现象。研究表明,GA的收敛性主要是由选择算子实现的,轮盘赌选择易产生较大的随机误差,基于期望值和轮盘赌的混合选择策略则能够改善此误差。仿真结果表明,混合选择能够有效地提高GA对全局最优解的搜索能力,较好地改善“早熟”现象的产生。     

基于粗糙集和遗传算法在锅炉火焰图像分割中的研究

粗糙集善于从不明确数据集中发现有价值信息,锅炉火焰图像不确定信息量较为复杂,利用粗糙集并结合遗传算法对火焰图像进行分割优化,通过Matlab进行仿真,仿真结果表明,粗糙集工具结合遗传算法提高了图像分割的准确性,具有很好应用价值。