1) simple genetic algorithm(SGA)
基本遗传算法(SCA)
2) basic genetic algorithm
基本遗传算法
1.
In order to improve basic genetic algorithm’s premature convergence and random roam and verify improved algorithm’s application effect in civil engineering,the article brings forward four improved measures,with which adaptive and improved genetic algorithm came into being.
为了改进基本遗传算法的早熟收敛、随机漫游,验证改进后的算法在土木工程中的应用效果,提出4点改进措施,形成自适应遗传算法。
2.
Based on basic genetic algorithm theory and its practice course that this paper uses,some improved measures to its shortcomings are presented: by means of the chaos serial s properties of "ergodicity,randomness,regularity",original population is generated;the strategy that the best individual is saved and the worst individual is replaced .
基于对本文所采用的基本遗传算法的原理和实施过程介绍的基础上,针对其缺陷提出改进措施:利用混沌序列的“遍历性、随机性、规律性”的特点生成初始种群;采用最优个体储存、最差个体替换策略。
3.
In view of poor convergence and partially converge of basic genetic algorithm(BGA),an new improved algorithm,two-stage genetic algorithm is proposed.
针对基本遗传算法(简称BGA)常常存在局部收敛以及收敛解精度不高等方面的不足,提出了一种改进的算法——两阶段遗传算法,给出了算法的结构及具体的实施策略,进而利用Mark-ov链理论和仿真技术分析了该算法的收敛性能,结果表明该算法具有操作简单、鲁棒性强等特点,不仅可以有效地避免寻优过程中的“早熟”现象,而且在很大程度上能提高最优解精度,适合于大规模、高精度的优化问题。
4) Simple Genetic Algorithm
基本遗传算法
1.
Realization of Simple Genetic Algorithm Based on Matlab;
利用MATLAB编程实现了基本遗传算法(SGA),并构作了SGA工具库函数,通过仿真示例验证了该实现方法的有效性,表明它能够对函数进行全局寻优。
6) 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。
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