1) genetic algorithm
遗传基因算法
1.
Improvement of genetic algorithm in verification;
遗传基因算法在验证中的改进
2.
In this paper, the genetic algorithm in the continuous domain is presented.
介绍了一种全新的优化算法——连续域中的遗传基因算法（ＧＡ），提出了基于ＧＡ的加工过程切削用量优化计算方法，给出了铣削用量优化算例。
3.
An optimal design configuration of leading edge extensions(LEXs) is presented based on the standard genetic algorithms(GAs).
用遗传基因算法优化设计了翼-身-尾全机模型机翼边条。
2) Genetic Algorithms
基因遗传算法
1.
Optimization of Preparation of Monodisperse Fluorescent Microsphere——Using Genetic Algorithms;
应用基因遗传算法优化单分散荧光微球制备工艺
2.
Genetic Algorithms and Their Applications to Aerodynamic Optimization Problems;
基因遗传算法及气动外形最优化设计
3.
This paper presents an approach based on the genetic algorithms to estimate the system parameters and time delays in the feedback simultaneously through the minimization of residual error of system equation.
以方程残差作为目标函数 ,运用基因遗传算法同时辨识受控系统的反馈时滞和物理参数。
3) genetic algorithm
基因遗传算法
1.
Based on triangulation theory and traditional genetic algorithm,an improved genetic algorithm to optimize triangulation is given.
以三角剖分原理和传统基因遗传算法为基础,提出了一种优化三角剖分的改进基因遗传算法。
2.
The Genetic Algorithm Applied to the Optimum Design for Gear Reducer;
从理论上探讨了基因遗传算法 (GA)与传统约束优化设计方法相结合的可能性 ,并从中发现“基因遗传算法+惩罚函数法”非常适合求解复杂的非线性约束优化问题 ,且成功地采用了“基因遗传算法 +惩罚函数法”对一个通用的二级斜齿圆柱齿轮减速机的概率可靠性优化设计的数学模型进行求解 ,与传统的优化方法相比 ,得到了一个较为理想的全域最优解 ;同时该方法也改善了基因遗传算法的局限
4) genetic algorithm
基因遗传算法(GA)
5) the gene pool GA
基因池遗传算法
1.
By analyzing the infinite population dynamical system using the gene pool GA and the BINEEDLE fitness function,we characterize the analytic relation between the fall of local optima and the fixed points in the infinite population dynamical system of the gene pool CA.
为了弄清楚这种影响机制,通过分析基因池遗传算法的无限种群动力系统,刻画了双峰函数局部极值解的适值差与系统不动点之间的解析关系,进一步分析推广了理论结果的适用范围。
6) Gene-group-based GA
基于基因组的遗传算法
补充资料：数值遗传算法
分子式：
CAS号：
性质：基于自然界生物进化机制的一种全局最优化方法。在遗传算法中，被研究体系的响应曲面看作为一个群体，响应曲面上的每一个点作为群体中的一个个体，个体用多维向量或矩阵来描述，组成矩阵的和向量的参数(元素)相应于生物中组成染色体的基因。染色体用固定长度的二进制位串(bit string)表示。通过交换(染色体基因交换)、突变(改变染色体基因)等遗传操作，在参数的一定范围内进行随机搜索，不断改善数据结构，构造出不同的向量，相当于得到了被研究问题的不同的解(一个个体相当于一个解)。目标函数较优的点被保留，较差的点被淘汰，最后达到全局最优化。
CAS号：
性质：基于自然界生物进化机制的一种全局最优化方法。在遗传算法中，被研究体系的响应曲面看作为一个群体，响应曲面上的每一个点作为群体中的一个个体，个体用多维向量或矩阵来描述，组成矩阵的和向量的参数(元素)相应于生物中组成染色体的基因。染色体用固定长度的二进制位串(bit string)表示。通过交换(染色体基因交换)、突变(改变染色体基因)等遗传操作，在参数的一定范围内进行随机搜索，不断改善数据结构，构造出不同的向量，相当于得到了被研究问题的不同的解(一个个体相当于一个解)。目标函数较优的点被保留，较差的点被淘汰，最后达到全局最优化。
说明：补充资料仅用于学习参考，请勿用于其它任何用途。
参考词条