1) genetic reduction algorithm
遗传约简算法
1.
To reduce the search space of the fitness function and improve the computing efficiency,an efficient genetic reduction algorithm is provided.
为了降低遗传约简算法适应度函数的搜索空间,有效提高计算速度,又提出了一种高效遗传约简算法,其将染色体对简化差别函数的覆盖度以及染色体中包含1的个数作为适应度函数的参数,从而保证了算法朝着最小约简收敛,并从理论上证明了算法的属性约简结果为最优,算法的时间复杂度为O(|f′||C||U|2)。
2) genetic algorithm-based reduction
遗传算法约简
3) simple genetic algorithm
简单遗传算法
1.
Aiming at the shortcoming that the simple genetic algorithm(SGA) is difficult to deal with premature and local convergence,this paper puts forward a novel adaptive genetic algorithm(AGA) that adaptively adjusts the crossover and mutation probability,and makes improvement on the coding mode、selection、crossover and mutation operators.
针对简单遗传算法(SGA)存在早熟和易陷入局部最优的不足,提出了一种新的动态调整交叉概率和变异概率的自适应遗传算法(AGA),同时对简单遗传算法的编码方式、选择、交叉和变异算子均进行了一定的改进。
2.
The INN′s parameters are optimized by using a simple genetic algorithm,which enhances the damage location identification accuracy effectively.
采用简单遗传算法优化了集成神经网络的参数,有效地提高了集成神经网络进行损伤位置识别的精度。
3.
Considering the parameter of inverse problems on seepage flow such as high computational cost,the optimization probability of crossover and mutation determinated difficultly,premature convergent,adaptive genetic algorithm is proposed to overcome the limitation of simple genetic algorithm.
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。
4) simple genetic algorithms
简单遗传算法
1.
By considing the solution of the state equation,the paper discusses the connection between the mutation rate and the convergence property of the simple genetic algorithms(SGAs).
本文主要目的在于通过对状态方程解的研究,讨论简单遗传算法中变异率的取值对算法收敛性态的影响,所得结果蕴含着“当变异算子的作用率很小时,算法收敛于早熟集的概率几近于1”的结论。
5) simple genetic algorthm (SGA)
简单遗传算法(SGA)
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