基子遗传BP神经网络的数据挖掘系统设计

数据挖掘技术是从大量数据中挖掘知识的有效的工具，遗传算法和BP神经网络是现今数据挖掘技术中比较新兴的算法。本文介绍了遗传算法和BP神经网络相互结合的一种新算法，并设计出了相应的数据挖掘系统，且将该系统应用到实际农业实验中。为了便于遗传算法的有效运用，文中还提出了格雷——浮点编码法。     

动态环境中基于遗传算法的机器人路径规划

为解决动态环境中足球机器人的路径规划问题,采用栅格法对机器人工作空间进行划分,用序号标识栅格,并以此序号作为机器人路径规划参数编码,建立了以路径最短、避障为优化目标的遗传算法个体评价函数．采用轮盘赌选择、重合点交叉、多种变异结合等方法完成了遗传操作．针对遗传算法易陷入局部最优的不足,在标准遗传算法基础上加入了复原操作和重构操作,使改进后的遗传算法收敛于全局最优．仿真结果表明：该算法能够成功地在动态环境里规划出一条近似最优的路径,算法是有效的．     

基于混合遗传算法的车辆优化调度研究

将遗传算法和模拟退火算法结合,设计了一种混合遗传算法（自适应的模拟退火遗传算法）,并根据一般车辆优化调度问题的特性,进行算法的设计,比如染色体的编码方式、遗传算子以及参数的设定等,通过实例进行了仿真实验．结果表明：用这种混合遗传算法求解车辆优化调度问题,具有很好的优化性能．     

一种多目标混合进化算法的研究

针对遗传算法的不足，提出将禁忌搜索方法、免疫算法、遗传算法融和的多目标混合进化算法。该算法引入禁忌搜索法，避免了传统遗传算法早熟现象的发生；引入基于浓度的自适应变异操作，克服算法由于变异概率不变导致的求解过程长，解的多样性差的缺陷；引入外部精英集，避免最优解的丢失，通过ZDT系列测试函数的仿真实验并与NSGA-Ⅱ算法进行比较，验证了算法的有效性。     

医学图像光线投影体绘制中重采样快速算法研究

光线投影算法是体绘制算法中图像效果比较好的方法，但存在运算量大，绘制速度慢的问题，如何提高重采样速度是加速光线投影算法的关键。本利用重采样点在两坐标系中的矩阵变换特性，减少矩阵运算量，同时结合三维数据场在像平面的投影减少光线投影数目；利用包围盒技术避免对空体元的采样，并且通过将Bresenham算法扩展至三维确定每个重采样点所在体元的编号。实验结果表明，本提出的重采样优化算法成像速度比标准光线投射算法快2—3倍，而成像的质量与标准算法基本没有区别。本提出的算法，既能保证绘制质量，又能显减少计算量，提高体绘制的速度。     

基于遗传BP神经网络的数据挖掘系统设计

数据挖掘技术是从大量数据中挖掘知识的有效的工具 ,遗传算法和BP神经网络是现今数据挖掘技术中比较新兴的算法。本文介绍了遗传算法和BP神经网络相互结合的一种新算法 ,并设计出了相应的数据挖掘系统 ,且将该系统应用到实际农业实验中。为了便于遗传算法的有效运用 ,文中还提出了格雷———浮点编码法。     

油气集输系统拓扑布局优化的混合遗传算法

给出了油气集输系统拓扑布局优化问题的数学模型，对其计算的复杂性进行了分析。根据模型的特点，采用了混合遗传算法进行求解，将局部搜索算法的快速性与遗传算法的全局收敛性有机地结合起来，有效避免了因初始值不同对优化结果造成的不利影响。实例计算表明，混合遗传算法优于传统的分级优化法。     

遗传算法应用于多元非线性回归模型求参的研究

传统的非线性回归模型求参方法存在精度不高、限制等条件繁琐等问题。本文提出了遗传算法这一有效算法，由2个算例给予验证，并与线性最小二乘法和Gauss-Newton迭失法的结果作了比较，证明遗传算法是一种通用性较好的算法。     

确定墙体表面换热系数的辨识方法探讨

实测了墙体表面热流和墙体表面与室内空气之间的温差，并通过遗传算法和最小二乘法辨识分别得到了各算法的表面换热系数估计值，比较热流实测值和两种算法的热流预测值，可知遗传算法的预测热流与实验热流非常吻合，说明遗传算法是一种利用墙体表面的动态实验数据获得表面换热系数的有效方法，并且具有很高的精度。     

蜂窝移动通信中基于遗传退火的固定频率分配

对蜂窝网无线规划中的频率分配问题进行了分析,用一种基于遗传退火的算法(GAEA)来求解,该算法是将模拟退火引进到遗传算法中,通过退火来减轻遗传算法的选择压力,利用退火法的爬山性能,改善了遗传算法的性能,提高了算法的收敛速度.实验证明了遗传退火算法的收敛速度比遗传算法快.     

多种群竞争遗传算法及其性能分析

在指出传统遗传算法收敛中所存在的收敛速度慢及局部收敛问题的基础上,引入了一种新的改进遗传算法——多种群竞争遗传算法。该算法以种群间竞争为基础,不断淘汰相似个体,并不断补充新个体,增加种群的多样性,以提高收敛速度。最后,用一个典型的测试函数对传统遗传算法和多种群遗传算法进行测试,结果表明多种群遗传算法的性能优于传统遗传算法。     

自适应遗传算法及其在渗流参数反演中的应用

利用水头实测资料,以渗透系数为待反演的参数,在采用基本遗传算法进行参数反演研究的基础上,针对简单遗传算法难以确定交叉率和变异率的最佳值及计算量较大、易早熟等缺点,提出以自适应遗传算法来解决工程中的这类反演问题;为力求使改进的遗传算法计算量更小,收敛性更强,同时结合简单的二稳定渗流有限元算例,在相同的情况下分别用简单遗传算法和自适应遗传算法进行了反演计算。结果表明,自适应遗传算法在保持简单遗传算法优点的同时,有效地提高了算法的收敛性,并在一定程度上克服了简单遗传算法的早熟问题。因此,自适应遗传算法为渗流领域求解反演问题提供了新的途径。     

一种新的混沌免疫遗传算法

将免疫算法、混沌与遗传算法相结合,提出了一种新颖的混沌免疫遗传算法,该方法利用混沌运动的遍历性、随机性来产生初始种群,加快搜索的速度;利用免疫原理的浓度计算及调整加入新的混沌序列来补充种群,增加种群的多样性避免陷入局部最优;交叉变异结束后在最优解附近再用混沌进行局部寻优提高解的精度。实验结果表明,所提出的算法能寻找到更好的优化结果,并且在搜索速度上明显优于遗传和免疫遗传算法。     

一种改进的遗传算法及其收敛性分析

为了克服基本遗传算法只考虑种内竞争的缺陷,提出了基于种间竞争的基本遗传算法的改进算法,并用Markov链分析了遗传算法的收敛性问题,证明了改进的遗传算法收敛到全局最优解的概率为1.通过考核实例计算,发现改进后的算法具有更强的鲁棒性.     

基于分组排挤机制的遗传算法

利用遗传算法进行寻优有时候遗传操作会陷入局部寻优,造成早熟,使遗传操作收敛不到最优解.针对这一问题,提出一种基于分组排挤机制的遗传算法,将种群个体进行分组,引入基于海明距离的排挤机制,不仅可以防止早熟,而且可以加快收敛速度.最后用普通遗传算法与之进行比较,证明其可行性和有效性.     

遗传算法在通用试题库自动组卷中的应用

 对组卷问题进行分析，建立了通用组卷模型，讨论了运用遗传算法求解在一定约束条件下的多目标参数优化问题，并针对组卷问题设计了交叉、变异算子和进化模式。结果表明，改进后的遗传算法性能好、效率高、通用性高，符合自然界物种微进化的思想，具有较好的实用性能。     

改进量子遗传算法在多峰值函数寻优中的应用

针对标准量子遗传算法（QGA）在寻找多峰值最优时存在局部寻优能力较差和易早熟的缺陷，提出一种改进量子遗传算法（QQGA）,运用基于概率划分的小生境协同进化策略初始化量子种群，并采用动态量子旋转角调整策略来加快收敛速度；加入量子移民和保优选择策略，提高规划效率，避免陷入局部最优。利用复杂二元函数测试改进量子遗传算法，结果比标准量子遗传算法效率高。     

基于混合并行遗传算法的多目标约束优化技术研究

多目标约束优化问题属于NP问题。并行遗传算法是解决该类问题的常用算法,它具有较强的全局搜索能力和并行性,但局部搜索能力差,禁忌搜索算法则比较适合于局部搜索。提出了一种基于混合并行遗传算法的多目标约束优化方法,该方法综合了并行遗传算法和禁忌搜索算法的优势,改进了并行遗传算法的性能,能有效避免局部最优解。     

基于改进遗传算法的机器人路径规划与仿真

针对标准遗传算法解决机器人处于障碍环境下寻找最优路径局部寻优精度较差、规划效率低的问题,提出一种改进遗传算法的机器人路径规划方法。该算法采用一维编码表示路径, 构造了路径最优化的目标函数和适应度函数,利用多个种群拓宽搜索空间,提高了规划效率,采用保优选择策略,避免陷入局部最优。仿真结果表明,改进遗传算法比标准遗传算法路径规划质量高,能够获得平滑的低代价路径,稳定性好,是机器人路径规划的一种较好的方法,且具有一定的推广意义。