周琴[1]2003年在《大变异算子混合遗传算法的研究及其应用》文中研究表明本文研究了遗传算法在函数优化、生产调度和自动控制叁方面的应用，在函数优化方面，详细研究了求多峰函数的最大值问题；在生产调度方面，讨论了作业车间调度问题；在自动控制方面，探讨了PID控制的PID参数寻优问题。 对于求多峰函数的最大值问题，通过对传统优化方法单纯形法和遗传算法各自的特点分析，本文提出了一种结合二者优点的混合遗传算法。该方法利用了单纯形法的局域搜索能力和遗传算法的全局搜索能力，通过遗传算法控制大范围搜索的方向，使得搜索向着适应度值高的区域发展，再通过单纯形法在遗传算法搜索到的区域内进行小范围的邻域搜索，从而能够得到高适应度值域的最优值。本文提出的算法是在遗传算法的交叉和变异算子之后对每个个体进行单纯形局部寻优的单纯形混合遗传算法，并且对变异算子进行了改进，采用大变异算子，以达到加快收敛速度的目的。详细阐述了混合遗传算法的设计、实现方法，给出了采用MATLAB编程的程序框图。通过仿真研究和与其他方法的比较，该大变异单纯形混合遗传算法在收敛精度、收敛代数、收敛率方面都有所提高，具有一定的研究价值。 对于作业车间调度问题，本文分别探讨了基于工序编码和基于工件编码的调度问题的算子选择和算法实现，对于关键算法如适应度评价函数的实现进行了详细的讨论，并给出了具体的实现步骤。 船舶PID控制的PID参数寻优问题。以评价系统快速响应性能的ITAE为标准，采用其转化形式为评价PID参数适应度的适应度函数，在PID参数的允许范围内，通过仿真得到ITAE值，从而得到PID参数的适应度值。再通过遗传算法的搜索，得到参数允许范围内的一个较好的解。
周永华[2]2003年在《实数编码遗传算法杂交算子组合研究》文中提出应用常规的遗传算法求解函数优化问题尤其是维数较高的问题时,通常遇到算法过早收敛、搜索精度难以提高等问题。为此,研究人员提出了各种改进方法,其中一种是在算法中混合使用多种遗传算子。但目前对这种改进方法仍缺乏比较系统的研究。针对这种现状,本文从实数编码遗传算法杂交算子的组合入手,着重研究杂交算子的组合效应以及变异算子如何与组合杂交算子的配合等问题,并在此基础上构建了一种新的演化算法框架。首先对实数编码遗传算法中各种杂交算子的基本搜索特点进行分析。对于离散重组算子,用组合数学分析了一点杂交、多点杂交和均匀杂交叁种离散重组算子的组合能力,算子的组合能力用算子组合出新染色体数目的大小衡量。分析结果表明均匀杂交的组合能力最强。数值实验表明,算法的搜索性能与离散重组算子的组合能力有关,但不存在算子的组合能力越强,算法的搜索性能越好的简单关系。使用哪个算子比较合适,在很大程度上也与优化问题有关,表明离散重组算子具有问题依赖性。分析了选择和离散重组算子共同搜索的局部性。指出只有选择和离散重组算子共同搜索时,搜索范围只局限于初始群体所确定的最大矩体内。对于算术杂交算子,分析了算术杂交算子的收缩性。分析了选择和算术杂交算子共同搜索的局部性,指出只有选择和算术杂交算子共同搜索时,搜索范围也只局限于初始群体所确定的最大矩体内。分析了扩展算术杂交算子的随机伸缩性,指出其搜索范围比离散重组算子和算术杂交算子更大。通过数值实验系统地研究了10种扩展算术杂交算子的12种并行组合和12种受限并行组合的组合效应。数值实验表明,在相同的实验条件下(群体规模相同,计算代价相同,求解次数相同),组合杂交算子存在抑制、协同和等效叁种组合效应。组合算子的搜索效果不一定比单个算子好;算子多的组合不一定比算子少的组合搜索效果好;组合算子的搜索效果与单个算子一样具有问题依赖性,相比而言,多数组合算子的问题依赖性要比单个算子的问题依赖性弱。理论分析和数值实验表明,某些扩展算术杂交算子或其组合具有一定的解空间探索能力。考虑到这一点,建立了一个基于混合杂交与间歇变异的演化算法框架。在算法中引入了间歇式变异操作,即变异不是每代都发生的,而是间断发生的。在变异发生的间隔期间,利用扩展算术杂交算子及其组合的局部搜索能力和有限的全局探索能力对解空间的各局部区域和整个解空间进行搜索,当群体聚集到一定程度,扩展算术杂交算子及其组合的探索能力有所下降时,再对群体进行变异操作,恢复群体的多样性,以此来提高扩展算术杂交算子及其组合的探索能力。按照这种新型的演化算法框架,提出了求解无约束优化问题的演化算法,在算法中,将数种扩展算术杂交算子通过并行组合及串并行组合的方式有机地结合到一起,以增强算法的搜索能力和拓宽算法的适应面。用它求解了100到500维不等的多种无约束测试函数,获得了比其他一些演化算法精度更高、更稳定的优化结果。对直接比较的约束处理方法和不可微精确罚函数法进行了讨论,在此基础上分别将它们结合到基于混合杂交与间歇变异的演化算法框架中,提出了几种求解约束优化问题的演化算法,其中有的算法采用了离散重组算子与扩展算术杂交算子构成的杂交算子网。用它们求解了5到200维不等的带等式或不等式约束的测试函数,也获得了比其他一些演化算法包括近来提出的算法精度更高、更稳定且约束满足更好的优化结果。探索新的演化算法机制也是值得提倡的,通过模拟人口随经济重心而转移、随人口压力增加而扩散的机制,本文还提出了一种新的用于函数全局优化的搜索算法—人口迁移算法。数值实验表明该算法具有良好的全局优化性能。运用概率论的有关理论证明了该算法依概率收敛到全局最优解。给出了该算法工作在最坏情形时即分区域随机搜索时的收敛速度估计和计算时间复杂性估计,为该算法的应用打下了比较坚实的理论基础。
江务学[3]2005年在《改进的遗传算法及其在多目标优化中的应用研究》文中研究表明遗传算法是模拟生物界的进化过程而产生的一种现代优化算法,作为一种有效的随机搜索方法,在优化方法中具有独特的优越性,有着非常重要的理论意义和广泛的应用领域。传统优化方法对目标函数解析性质要求较高,进化算法不需要目标函数的导数信息,具有隐式并行性,所以常用于一些复杂的、大规模的、非线性、不可微的求解优化问题。 本文介绍了遗传算法的发展概况,通过实例分析了基本遗传算法的实现步骤;对遗传算法的理论基础进行介绍分析讨论,包括模式定理,积木块假说,内在并行性,Walsh模式变换和欺骗问题等:对典型和近期发表文章所提出的一些改进策略作了总结和分析比较;提出了对遗传操作算子的改进策略,在具体问题中结合相应的特点再作相应的改进,通过线性规划问题、网络路径优化问题和典型的NP难—TSP问题等算例的验证,结果表明,算法是有效的,能得到较好的结果,同时也提高了算法的效率。 多目标优化问题一直是科学和工程研究领域的一个难点和热点问题,在遗传算法应用到这一领域以前,已经产生了许多经典的方法,但在处理一些大型、复杂问题上存在着不足,遗传算法正好能弥补这个不足。在具体问题上,遗传算法与多目标优化问题的结合中最关键的问题是如何在种群中通过多个目标来评价个体的好坏。本文引入了堆排序机制,并应用到问题的求解过程中,通过两个算例的模拟,结果表明,该算法能求出比较合理的Pareto最优解集,表明了其有效性。
侯建花[4]2004年在《TSP遗传算法的改进及其并行化研究》文中研究说明遗传算法是一种模拟自然界生物进化的搜索算法，由于它简单易行、鲁棒性强，尤其是不需要专门的领域知识而仅用适应度函数作评价来指导搜索过程，从而使它的应用范围极为广泛，并且已在众多领域得到了实际应用，取得了令人瞩目的成果，引起了广大学者和工程人员的关注。 遗传算法是一种新兴的技术，正处于发展期。虽然在应用领域获得了丰收，但其理论基础还较薄弱，有许多地方需要研究和发展充实。 本文对遗传算法的理论与应用进行了一些研究和分析工作。首先介绍了遗传算法的理论和它在组合优化问题中的应用，然后针对基于遗传算法的TSP问题求解，在原有遗传算法的基础上提出了一种改进的混合遗传算法。该算法在迭代初期引入不适应度函数作为评价标准，结合启发式交叉和边重组交叉算子设计了一种新的交叉算子，采用了模式变异和启发式变异相结合的混合变异算子，并对变异后个体进行免疫操作。数值实验表明，该算法是有效的。最后，为克服遗传算法计算量大的问题，基于遗传算法的并行特性，实现了一种主从式并行混合遗传算法，实验数值结果证明了该算法的可行性和有效性。
郎敏峰[5]2004年在《遗传算法的改进及其在组合优化中的应用》文中认为遗传算法是一种概率搜索算法,其基本思想是模拟生物进化过程。由于遗传算法具有不受搜索空间的限制性假设的约束,不要求解空间有连续性、可导等性质,且固有并行性,目前它在许多领域得到了广泛的运用。 组合优化(combinatorial optimization)研究那些含有有限个可行解的、日常生活中(尤其是工程设计中)大量存在的问题。典型的组合优化问题包括:旅行商(TSP)问题、车间流水作业调度问题等。本文主要研究对遗传算法的改进算法及这些改进算法在组合优化上的应用。 本文对遗传算法的理论、优化及应用进行了一些研究与分析工作。首先,介绍了遗传算法基础原理——模式定理,并分析了其在一维染色体编码方案上的适用性:其次介绍了遗传算法的理论基础,对诸如:未成熟收敛、遗传漂移及如何保持种群的多样性等有关问题作了探讨;同时介绍了一些常见的改进方法,诸如:混合遗传算法、基于基因库的改进遗传算法、自适应遗传算法和小生境技术和共享函数等。针对标准遗传算法中初始种群产生的随机性,在借鉴基因库思想的基础上,本文提出了一种基于基因库的模拟退火混合遗传算法。这种改进遗传算法具有以下优点: 1.基于基因库和单亲遗传算法生成的初始种群。单亲遗传算子使用了基因库中的优质基因,使得初始种群中个体具有的优质基因比随机产生个体的优质基因要多,种群中每个个体都十分接近最优个体。因此,它们在种群演化较易产生最优解。 2.利用模拟退火算法较强的局部搜索能力,加快了算法的收敛速度,同时也提高了得到的全局最优解的可靠性。 同时,将这种改进算法应用于求解经典的货郎担(TSP)问题;试验结果表明:改进算法具有更好的收敛性,而且算法收敛速度快、收敛稳定性更好;且得到了目前该问题的最优解。 在上述改进的基础上,针对标准遗传过程中交叉概率和变异概率固定不变所带来的局限性,本文进一步提出了一种基于基因库的自适应遗传算法:使遗传过程中遗传算子能根据种群的集中程度自适应变化。这种改进遗传算法具有以下优点: 1.基于基因库和单亲遗传算法生成的初始种群中每个个体都十分接近最优个体,它们具有的优质基因比随机产生个体的优质基因要多,种群演化较易产生最优解。 2.遗传过程中遗传算子根据适应值集中程度,自适应地变化;确保了种群向性能好的方向演化,因此加快了算法的收敛速度。 同时,还将这种改进算法应用于求解流水作业排序问题;试验结果表明:改进算法在收敛速度、收敛稳定性上有了较大改进:并在执行效率上比改进前的算法有了显着的提高。最后,利用压缩映射原理和有限Markov链原理分别对两种改进算法进行了收敛性分析。
金芬[6]2008年在《遗传算法在函数优化中的应用研究》文中指出遗传算法是一种借鉴生物界自然选择和遗传机制的高度并行、随机、自适应的全局优化概率搜索算法。国内外都非常重视遗传算法的理论和应用研究,并取得了令人瞩目的进展,遗传算法的应用成果已渗入到许多领域。但遗传算法的理论和方法尚未成熟,算法自身的一些不足也有待于进一步地改进和完善,而函数优化问题是对遗传算法进行性能评价的常用算例,为此,本课题选择了用遗传算法求解函数优化问题为研究对象,分析了遗传算法的运行机理,对适应度函数和遗传操作进行了深入细致的研究,并针对基本遗传算法和一般的实数遗传算法难以有效地求解复杂函数的全局优化问题,对遗传算法的适应度函数及遗传算子进行了改进,并在MATLAB环境中实现了遗传算法求解函数优化问题,最后选择了一些典型的多维或高维复杂函数进行仿真测试,通过和其它方法比较,证明本文提出的改进算法不仅能有效地避免“早熟”现象,提高了算法的收敛速度和收敛概率,而且所求得的解达到或以相当高的精度逼近最优解。本文对遗传算法的主要改进及工作如下:1.遗传算法引导搜索的主要依据就是个体的适应度值,本文将适应度函数作为重点研究对象之一。深入分析了适应度指数变换的特点及遗传过程中种群目标值的变化规律,提出了基于指数变换、指数系数随进化代数增加而逐渐增加的动态变化的适应度函数。并通过数值实验,和Goldberg的线性拉伸法及一般的指数变换法进行了比较,结果表明本文提出的适应度函数能极大地提高算法的优化精度、收敛速度和收敛概率。2.对遗传算子的改进也是一种常用的改善遗传性能的方法,本文提出了对多个遗传算子进行改进的实数遗传算法。本文详细分析了各种选择方法的优缺点,提出采用随机遍历抽样选择、最优保存策略和子代淘汰父代选择结合的混合选择策略;研究了实数遗传算法中离散重组杂交算子和算术杂交算子的搜索特点,提出了基于适应度的线性逼近交叉策略,该交叉策略能充分利用当代群体的有利信息,可以使得子代快速地向更高适应度的区域移动;选择和交叉操作中,个体的适应度由线性排序分配获得,这样即使进化后期个体目标值接近,但个体适应度仍成合适的级差,有效防止进化后期因交叉不起作用而收敛于局部最优值,也有利于选择操作,使算法具有较好的鲁棒性;分析了变异概率对算法的影响,提出了采用变异概率随进化代数增加而逐渐减小的动态变化的实值变异策略。最后,分别用该改进算法和其它叁种算法求解了16个典型的复杂函数,实验结果表明该改进算法的性能明显优于其它叁种遗传算法,它不但能较好地求解低维函数,还能非常有效地求解了30维、100维、400维,甚至更高维数的多种无约束测试函数。3.利用MATLAB的遗传算法工具箱有效地求解了函数优化问题。为了测试本文提出的改进是否有效和是否具有一定的通用性,选择了16个测试函数,并采用多种算法进行了测试,通过大量的实验及对实验结果的分析与比较,给出了结论。最后,通过对研究工作的总结,指出本文改进算法的优点与不足,为遗传算法的进一步研究提供一定的参考价值。
初雪宁[7]2012年在《自适应记忆遗传算法研究及在TSP问题中的应用》文中研究指明遗传算法是一种模仿生物自然进化过程的、自适应启发式的全局优化算法。由于在利用遗传算法求解问题时仅需要很少的辅助信息,容易与其它领域的知识相结合,且具有较好的自适应性和并行性,使得遗传算法在组合优化、机器学习、自适应控制、人工生命等领域得到了广泛的应用。虽然国内外都很重视遗传算法的理论和应用研究,并取得了很多令人瞩目的研究成果,但是遗传算法的理论和方法还尚未成熟,仍然存在一些不足有待于进一步改善。首先,本文以遗传算法在函数优化中的应用为实例,分析了遗传算法优化过程中基因编码相同的染色体重复出现的现象,且随着进化代数的不断增加重复个体出现的机率也越来越大。针对这个问题,本文通过引入合适规模的基因库用以存储重复出现个体的基因编码和对应的适应度值,并将基因库中的染色体按适应度值从大到小的顺序有序排列。对于基因库中有相同基因编码的染色体可以直接从基因库中获取其适应度值,进而解决重复个体适应度值的重复计算问题,降低算法的时间复杂度,提高算法的计算效率。其次,针对上述算法无法根据当前种群中个体的分布情况对遗传算子执行的控制参数进行动态调整的问题,本文按照自适应遗传算法的交叉概率和变异概率调节公式的设计原则,根据种群中个体的相似系数,利用Logistic曲线方程对遗传算法的交叉概率和变异概率进行自适应调整,进而提高算法的收敛性能。最后本文以典型的旅行商TSP问题为应用背景,以Malab R2009a和Microsoft Visual Studio2010作为开发环境,选取TSPLIB中的城市坐标数据为实例,实现了一个基于改进后算法的TSP问题求解系统,并对改进后算法的计算个体适应度值的时间代价与算法的收敛性进行测试和验证。测试结果表明：种群规模为50～150,基因库规模选取为种群规模的0.1倍～0.2倍时,本文算法能够有效地减少算法的时间复杂度,其加速比能够达到49.70%左右。在算法的收敛性方面,本文改进后的算法收敛速度快于基本遗传算法但稍慢于Srinivas等人提出的自适应遗传算法,且收敛效果要好于其它两种算法,其所得解与TSPLIB提供的最优解的平均相对误差最大不超过9.38%。
朱灿[8]2009年在《实数编码遗传算法机理分析及算法改进研究》文中研究说明工程和科学计算中的很多优化问题从最初的低维优化发展为高维、大规模复杂优化,或常常带有比较复杂的约束条件,因而比较难以求解。以遗传算法为代表的各类进化算法在求解该类复杂问题时越来越受到重视。然而有关实数编码遗传算法(RCGA)的工作机理的研究比较少,不能有效地指导算法的改进。本文研究了RCGA的工作机理,分析了RCGA种群漂移的规律,提出了一些改进算法,用高维优化和约束测试函数进行了数值实验,验证了本文算法的有效性。具体创新性成果如下:1、本文指出适应度函数设计存在不合理性,提出一个种子的适应度值理论上应该和该种子到全局最优点的欧氏距离成负相关性;提出了基本交叉算子实质上就是基于差分法的一维搜索。在进化后阶段,当两父体种子在同一邻域内时,该搜索在整个进化过程中成为有效搜索的可能性比较大,当两父体种子距离比较远时,成为有效搜索的可能性逐渐减小。单重均匀或非均匀变异算子在种群空间里其变异都不是均匀的;2、本文提出优势种群(块)的概念,通过研究优势块在种群中种子个数的期望值增长规律提出了标准RCGA种群漂移块式定理:遗传算法的进化过程中,新的优势块不断出现排挤了原来的优势块,直到最后一个优势块出现不再被排挤为止。如果RCGA各参数设置合理,RCGA中的新的优势块规模期望值具有近似按指数级增长的趋势。在此基础上阐述了RCGA的参数设置规则,分析了RCGA提前收敛的原因,解释了一些改进算法之所以有效的原因,结合算子作用机制提出了RCGA工作机理。从微观上来说,遗传算法是一种基于差分法的邻域搜索、局部搜索和全局搜索自适应结合的算法;邻域搜索、局部搜索和全局搜索所占比例受种群中优势块的个数以及各个优势块种子个数的变化而变化。从宏观上来说,遗传算法是一种以一定概率选择多个区域(面向搜索块)的迭代算法。优势种子邻域内种子浓度增大有利于加快优势块收敛速度。3、本文提出了一种多精英保存策略遗传算法(GAEP),通过求解叁个经典的连续函数优化问题与当前一些改进进化算法数值结果对比,验证了GAEP算法的有效性。分析了该算法的局限性并改进提出了基于物种选择的遗传算法(GASS)。通过模拟生物进化的阶段性对GASS算法进行了改进,得到了改进算法(IGASS)。叁个算法都通过最优种群的隔离来保持选择压力,最优种群边界的自适应收缩和最优种群规模的不定期减小至1保持了种群的多样性,比较好地平衡选择压力和种群多样性,算法IGASS既对种群划分(横向划分),又对进化代数自适应的划分(纵向划分),消除了参数(最大进化代数)对均匀变异算子的步长在整个进化过程不均匀的影响,从而性能更稳定。通过标准的高维和超高维数值实验分析了IGASS算法的动态性能,并对算法IGASS与CEC2008国际会议技术报告里提供的十个参照算法进行比较,结果表明,IGASS算法适应度函数计算次数、求解精度以及算法稳定性基本上都优越于参照算法。算法IGASS尤其适合于求解变量可分离的超高维问题。4、本文指出以往的约束处理策略都没有很好地与精英保存策略结合起来。通过对惩罚因子的局部分析,提出了一种与精英保存策略相结合的惩罚函数法约束处理策略,结合IGASS算法提出了一种混合算法(MGASS),算法MGASS将种群划分为叁个子种群,此叁子种群按不同策略进化。标准的约束测试函数数值实验表明该算法性能比较好。
韩运实[9]2004年在《装箱问题方法研究及其集成应用》文中提出装箱问题就是将不同尺寸的物品摆放入有一定容量的容器中，以获得某种最佳的效益。装箱问题广泛地用于机械生产和交通运输等行业当中。对该问题的求解方法的研究无论是在理论上，还是在实践中都具有一定的意义。装箱问题属于组合最优化问题和NP完全问题，具有高度复杂性，用一般的数学方法根本无法求解，目前只能用启发式方法解决装箱问题，因此，从六十年代开始，陆续提出的都是近似算法。 文中首先对装箱问题的种类、求解算法，以及装箱问题的研究现状进行了综述和分析。重点放在研究用于解决装箱问题的各种启发式算法，在总结概括了当前主要的装箱优化算法的基础上，指出构造式启发式算法与遗传算法相结合，是改进装箱算法的一种有效的途径。然后依据该混合遗传算法，采用Delphi语言开发了用于解决任意尺寸叁维物体装载的智能装载系统，并详细说明了系统的整体结构、设计过程以及数据流程图，对部分系统运行结果进行了分析。并且给出了该算法和第二章给出的构造启发式算法的性能比较。 遗传算法是借鉴生物的自然选择和遗传进化机制而开发出的一种全局优化自适应概率搜索算法，对于非常复杂、高度非线性大型系统的优化求解，表现出比其它传统优化方法更加独特和优越的性能，是21世纪有关智能计算中的核心技术之一。利用简单的编码技术和繁殖机制来表现复杂的现象，从而解决非常困难的问题。特别是它不受搜索空间的限制性假设的约束，不必要求诸如连续性、导数存在和单峰等的假设。 文中综述了遗传算法的基本原理和方法，分析了遗传算法的编码、适应度函数、选择算子、交叉算子和变异算子在整个遗传算法的运算过程中的作用。针对装箱问题对编码方式作了改进，采用数字符号编码方式。本文采用了跨世代精英选择策略来保持种群中的优良个体，使得产生的遗传算法更加有效，同时，提出了与装箱问题相适应的交叉和变异策略。但是单一地使用一种算法不易得到十分满意的结果，因此在遗传算法的搜索策略和变动策略中应用了启发式方法，引导装箱问题方法研究及其集成应用搜索方向。结果表明应用该混合方法缩短了计算时间，同时使得问题的解得到了很好的改善。最后，总结了本文的工作并展望了进一步的研究方向。
林琳[10]2007年在《基于模糊聚类与遗传算法的说话人识别理论研究及应用》文中指出本文的研究工作主要有两个方面:1.针对短语音(训练语音少于8秒)的说话人识别系统,将模糊聚类分析的思想引入到模型的训练中,并在此基础上提出了四种基于模糊聚类的短语音说话人识别算法。2.针对高斯混合模型对初值敏感,容易陷入局部极小值而得不到最优解的问题,将具有全局优化特性的遗传算法引入到高斯混合模型的优化中,分析了基本遗传算法存在的问题,提出了两种高斯混合模型的优化方法,并应用到说话人识别中。论文的主要研究内容如下:(1)提出了基于遗传-模糊聚类分析的说话人识别算法,利用遗传算法的全局优化特性,改善了模糊聚类分析的说话人识别算法对初值敏感的问题,使算法在较短训练语音的说话人识别中体现了较强的优势。(2)研究基于核方法的短语音说话人识别。将核方法引入到说话人识别中,提出基于模糊核矢量量化的说话人识别算法,并在此基础上,引入熵的概念,提出了基于模糊核熵的说话人识别算法,进一步提高了短语音说话人识别系统的性能。(3)提出了基于可区分性模糊核矢量量化的短语音说话人识别算法,利用语音信号的不同部分在不同说话人之间的唯一区分特性,进一步增加了说话人之间的区分性,使算法在训练语音少于8秒时,得到较好的识别结果。(4)利用遗传算法及模糊聚类分析对高斯混合模型进行优化,研究了基于遗传-模糊高斯混合模型的说话人识别,改善了高斯混合模型初值敏感的问题,提高了系统的识别率。(5)针对遗传算法“早熟”和局部搜索能力较弱的问题,研究了基于自适应小生境遗传算法的说话人识别,进一步提高了算法的寻优能力,得到了更优的模型参数。
参考文献：
[1]. 大变异算子混合遗传算法的研究及其应用[D]. 周琴. 大连海事大学. 2003
[2]. 实数编码遗传算法杂交算子组合研究[D]. 周永华. 华南理工大学. 2003
[3]. 改进的遗传算法及其在多目标优化中的应用研究[D]. 江务学. 天津工业大学. 2005
[4]. TSP遗传算法的改进及其并行化研究[D]. 侯建花. 成都理工大学. 2004
[5]. 遗传算法的改进及其在组合优化中的应用[D]. 郎敏峰. 华东师范大学. 2004
[6]. 遗传算法在函数优化中的应用研究[D]. 金芬. 苏州大学. 2008
[7]. 自适应记忆遗传算法研究及在TSP问题中的应用[D]. 初雪宁. 东北大学. 2012
[8]. 实数编码遗传算法机理分析及算法改进研究[D]. 朱灿. 中南大学. 2009
[9]. 装箱问题方法研究及其集成应用[D]. 韩运实. 中国海洋大学. 2004
[10]. 基于模糊聚类与遗传算法的说话人识别理论研究及应用[D]. 林琳. 吉林大学. 2007
标签：自动化技术论文; 遗传算法论文; 组合优化论文; 自适应算法论文; 概率计算论文; 混合策略论文; 过程能力论文; 优化策略论文; 算法论文;