遗传算法的收敛性分析

理论分析算法发生过早收敛的原因、收敛速度与各个控制参数以及适应度函数的关系，并提出与证明了判断遗传算法收敛性的统一判据。     

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。     

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。     

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虎子。     

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BFGS的改进遗传算法研究

提出了一种基于拟牛顿法BFGS的改进遗传算法,基本思想是:首先用遗传算法进化若干代后,当目标函数变化率小于设定值时,改用BFGS算法优化。数值实验表明,基于BFGS的改进遗传算法的局部收敛性得到了较大改善,而且优化精度也较基本遗传算法有了较大的提高。     

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．     

防止遗传算法成熟前收敛的有效方法(英)

从群体多样性角度对成熟前收敛的成因进行了分析,并提出了两个有关定理．根据分析结果,提出了基于群体多样性和自适应交叉、变异率的改进遗传算法．通过四个典型函数的实例验证,证明了本文提出的改进遗传算法是一种有效算法．     

基于量子遗传算法的无人机生命迹象探测研究

针对基本遗传算法易早熟与局部搜索能力欠佳的缺陷,将一种改进的量子遗传算法应用于无人机生命迹象探测路径优化。在基本量子遗传算法的基础上,根据目标函数梯度自适应地确定量子旋转门转角。数值实验表明,该改进算法比基本量子遗传算法有更好的局部收敛性与更快的收敛速度,可获得比基本量子遗传算法更优的生命迹象探测路径。     

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．     

改进的蚂蚁遗传混合算法及应用

车间作业调度问题是一个典型的NP-hard问题。分析了蚂蚁算法和遗传算法的特点,就遗传算子、交叉概率和变异概率上对传统遗传算法进行了改进;同时为了加速蚂蚁的搜索效率、减少迭代次数,重构了传统蚂蚁算法的下一个结点选择策略、信息素的局部更新策略,并将改进后的两个算法进行混合求车间作业调度的最优解。试验表明,算法的改进和混合提高了搜索效率及搜索结果的准确性。     

一种改进的遗传算法及其应用

为解决遗传算法的早熟和局部收敛现象,提出的一种改进的遗传算法,该算法引入海明距离构造初始种群,在选择、交叉、变异过程中采用最优保存策略。实验表明改进的遗传算法增强了种群的多样性,并在一定程度上避免早熟现象发生,同时又能较快找到全局最优解。     

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。     

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。     

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。     

多亲遗传算法及其应用研究

针对传统遗传算法（TGA）所存在的一些不足，本文提出了一种多亲遗传算法（MGA），MGA对TGA的交叉算子进行了改进，这样MGA在应用中不要求初始群体具有广泛多样性，能有效地克服“早熟收敛”问题，仿真结果表明MGA是有效的。     

基于改进遗传算法的优化研究

遗传算法本身固有的并行处理性和开放性,使得它在优化识别方面的效率非常之高,而且受到越来越广泛的研究,然而,遗传算法自身也有一些缺点．遗传算法在寻优过程中易出现“早熟”,设计变量增多时效率较低以及结构分析时间长．论文分析了遗传算法的常见缺陷,并通过采用小生境技术、基于多父体变量级别的杂交以及小生境技术的改进策略,遗传算法的优化性能（优化效率和质量）得到了大大的提高。     

用实数编码的遗传算法优化神经网络盲均衡算法

本文提出了实数编码的遗传优化神经网络的盲均衡算法,有效地克服了传统前馈神经网络盲均衡的缺陷．解决了实际应用中存在神经网络的初始权重的确定缺乏理论依据的问题,提高了前馈神经网络盲均衡的均衡性能．