导读:本文包含了杂交算子论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:算子,算法,自适应,函数,组合,浮点,反序。
杂交算子论文文献综述
汪海,赵齐辉,刘升[1]（2018）在《带杂交算子的自适应混合花粉授粉算法》一文中研究指出针对基本花授粉算法存在的易陷入局部最优、求解精度不高等问题,提出一种带杂交算子的自适应混合花授粉算法,分别针对异花授粉过程和自花授粉过程设计自适应权重改进和引入杂交算子。并用六个标准函数测试算法的性能,结果表明MFPA寻优性能优于基本花授粉算法和基于模拟退火的花授粉算法。(本文来源于《计算机与数字工程》期刊2018年06期）
周永华,林靖宇[2]（2013）在《多种杂交算子的协同组合》一文中研究指出为探索多种杂交算子间的相互作用对其协同效应所产生的影响及其机理,进一步验证先前对2种杂交算子协同机理分析所得到的结论能否应用于3种以上杂交算子协同的情况,以6种不同杂交算子的3～6个的各种组合做实验。首先通过实验确定每个杂交算子的收敛速度和求解质量,然后按照收敛速度快慢搭配和求解质量高低搭配的原则组合杂交算子。实验结果表明,在算子的配比合适时各组合都产生了协同效应,进一步证实了协同的机理,即组合中算子对群体多样性的调节及利用是产生协同效应的关键,同时也证实了所提多种杂交算子协同组合方法的有效性。(本文来源于《广西大学学报(自然科学版)》期刊2013年03期）
周永华,林靖宇[3]（2012）在《杂交算子的配对与协同性》一文中研究指出在遗传算法中两个或多个杂交算子的适当组合能够产生协同效应,从而可以提高算法的搜索性能。为分析其机理并提出协同组合方法,对两个杂交算子的协同组合问题进行了研究。结果表明,组合中算子对群体多样性的调节和利用是产生协同效应的关键。进而提出了两个杂交算子协同组合的方法,即组合中要有能使群体收敛快的和收敛慢的算子,以调节群体多样性;要有求解质量较好的算子,以利用群体多样性求出更好的解;通过调整两个算子的比例可调节群体收敛速度以及平衡好算子的求解质量和收敛速度之间的关系,使得算子组合形成协同求解能力。为获得更好的协同效果,还要考虑算子组合的问题相关性。详尽的数值实验结果表明了分析的正确性和所提出的协同组合方法的有效性。(本文来源于《广西大学学报(自然科学版)》期刊2012年05期）
周永华,谢杰华[4]（2011）在《算术杂交算子的问题相关性》一文中研究指出针对实数编码遗传算法中的算术杂交算子是否存在问题相关性进行了实验研究。首先,用几种常用的算术杂交算子对测试函数进行优化实验,结果表明,选用何种算术杂交算子算法更有效与具体优化问题有关,即算术杂交算子存在问题相关性,且它随变异概率的变化而呈现比较复杂的变化。其次,提出了根据算术杂交算子在无变异时的优化效果以及有变异时与变异算子的协同优化效果,挑选最适合某一具体问题的算术杂交算子的方法。这对应用实数编码遗传算法高效地求解函数优化问题是有帮助的。(本文来源于《广西大学学报(自然科学版)》期刊2011年06期）
王玉亭,孙剑,李俊青,潘全科[5]（2010）在《基于改进反序-杂交算子的免疫克隆选择算法》一文中研究指出反序-杂交算子在求解TSP时容易陷入局部最优。为了优化电路板布局,提高计算快速性,对反序-杂交算子进行了改进,设计了1st-Inver-over算子和2nd-Inver-over算子。采用1st-Inver-over算子和2nd-Inver-over算子作为主要免疫基因操作算子实现了求解TSP的免疫克隆算法,在算法前期,只采用1st-Inver-over算子来保证算法的收敛速度,在算法后期,根据种群的多样性自适应的选取1st-Inver-over算子和2nd-Inver-over算子来协调算法的收敛速度和种群的多样性。仿真结果表明,Inver-over ICSA比经典的GT算法具有更好的收敛性和搜索效率。(本文来源于《计算机仿真》期刊2010年08期）
陈立潮,刘佳,吕亚男[6]（2007）在《带杂交算子的蚁群算法求解动态网络中的最短路径问题》一文中研究指出动态网络与传统的网络模型相比更具有现实意义,具有广泛的应用领域。本文对动态网络模型进行了描述,用实例证明了着名的Dijkstra算法在动态网络中不能有效地求解最短路径问题,提出了一种用带杂交算子的蚁群算法来求解动态网络最短路径问题的新算法。此算法不仅能够以较大的概率找到最优解而且对网络没有任何约束条件,即对离散和连续的动态网络模型都有效,而且用实例证明了算法的稳定性。(本文来源于《计算机工程与科学》期刊2007年05期）
骆光馨[7]（2007）在《基于反序—杂交算子的改进蚁群算法研究与实现》一文中研究指出作为群体智能的一种典型实例，蚁群算法受到越来越多的关注。它是继模拟退火算法、遗传算法、禁忌搜索算法、人工神经网络算法等启发式搜索算法以后的又一种应用于组合优化问题的启发式搜索算法。蚁群算法不仅能够实现智能搜索、全局优化，而且具有稳健性(鲁棒性)、正反馈、分布式计算、易与其它算法结合等特点。因此，蚁群算法已成为当前群智能领域中最令人感兴趣的研究课题之一。目前蚁群算法的研究尚未成熟，作为一种新兴的智能优化算法，它存在算法自身求解速度缓慢、容易陷入局部最优等缺点。针对这些缺点，本文对蚁群算法基本理论进行了深入分析，对蚁群算法近年来的研究进展进行了归纳总结，并对不足之处进行了深入的分析。通过实验验证蚁群算法的各个参数对算法性能的影响，给出了蚁群算法中各参数的理想取值。在深入研究目前各种蚁群算法的改进模型基础上提出了一种基于反序-杂交算子的改进蚁群算法。利用反序-杂交算子在产生后代时能跳离局部最优值，并且使算法具有自适应性的优点对蚁群算法进行了有效改进，增加了局部解的个数，从而扩大了最优解的选择范围。实验结果表明，本文提出的改进算法，加速了最优解的收敛速度，改善了最优解的质量，从而大大提高了蚁群算法的性能。(本文来源于《哈尔滨工程大学》期刊2007-03-01）
都伟,韩正之[8]（2006）在《一种自适应杂交算子的浮点遗传算法》一文中研究指出为了提高浮点遗传算法在优化问题时的收敛速度与求解精度,提出了一种基于进化代数和个体适应值的杂交算子,该算子根据每代个体的适应度与进化代数的变化情况自适应调整交叉操作。使杂交向有利于算法收敛的方向进行。通过几个仿真计算的实例,验证了这种杂交算子相对于普通杂交算子能有效地提高浮点遗传算法的收敛效率。(本文来源于《系统仿真学报》期刊2006年06期）
李和成,王宇平[9]（2006）在《一种带混合杂交算子的遗传算法及其收敛性》一文中研究指出文章将传统遗传算法中的杂交算子与一种新设计的优化方法相结合,提出了一种能改善种群中个体适应度的混合杂交算子,并通过修正适应度函数给出了一种新的求解连续型数值优化问题的遗传算法,并证明了其全局收敛性。数据试验表明,该算法对这些测试函数的结果优于文献中的方法。(本文来源于《计算机工程与应用》期刊2006年16期）
江波,李元香[10]（2004）在《带杂交算子的自适应蚁群算法的聚类分析》一文中研究指出数据聚类是数据挖掘中的一个重要课题.聚类问题可以归结为一个优化问题.文中针对常规聚类算法所存在的缺点,根据人类进行聚类判断所遵循的原则,模拟蚂蚁寻找食物源的行为,提出了一种基于蚁群算法的多种群聚类学习的新方法.仿真实验结果表明,该方法具有本质并行性、计算效率高、聚类学习能力强等优点,可用来最终获得全局最优解.(本文来源于《华南理工大学学报(自然科学版)》期刊2004年S1期）
杂交算子论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
为探索多种杂交算子间的相互作用对其协同效应所产生的影响及其机理,进一步验证先前对2种杂交算子协同机理分析所得到的结论能否应用于3种以上杂交算子协同的情况,以6种不同杂交算子的3～6个的各种组合做实验。首先通过实验确定每个杂交算子的收敛速度和求解质量,然后按照收敛速度快慢搭配和求解质量高低搭配的原则组合杂交算子。实验结果表明,在算子的配比合适时各组合都产生了协同效应,进一步证实了协同的机理,即组合中算子对群体多样性的调节及利用是产生协同效应的关键,同时也证实了所提多种杂交算子协同组合方法的有效性。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
杂交算子论文参考文献
[1].汪海,赵齐辉,刘升.带杂交算子的自适应混合花粉授粉算法[J].计算机与数字工程.2018
[2].周永华,林靖宇.多种杂交算子的协同组合[J].广西大学学报(自然科学版).2013
[3].周永华,林靖宇.杂交算子的配对与协同性[J].广西大学学报(自然科学版).2012
[4].周永华,谢杰华.算术杂交算子的问题相关性[J].广西大学学报(自然科学版).2011
[5].王玉亭,孙剑,李俊青,潘全科.基于改进反序-杂交算子的免疫克隆选择算法[J].计算机仿真.2010
[6].陈立潮,刘佳,吕亚男.带杂交算子的蚁群算法求解动态网络中的最短路径问题[J].计算机工程与科学.2007
[7].骆光馨.基于反序—杂交算子的改进蚁群算法研究与实现[D].哈尔滨工程大学.2007
[8].都伟,韩正之.一种自适应杂交算子的浮点遗传算法[J].系统仿真学报.2006
[9].李和成,王宇平.一种带混合杂交算子的遗传算法及其收敛性[J].计算机工程与应用.2006
[10].江波,李元香.带杂交算子的自适应蚁群算法的聚类分析[J].华南理工大学学报(自然科学版).2004
论文知识图
