1) GEMGA
基因表达散乱遗传算法
1.
The limitations of simulated annealing and genetic algorithms applied to test data generation automatically are investigated,and an automated approach based on GEMGA for generating such data is proposed.
针对模拟退火算法,遗传算法应用于测试数据的自动生成的局限性,提出了一种基于GEMGA(基因表达散乱遗传算法)的结构化测试数据的自动生成的方法。
2) gene expression messy genetic algorithm
基因表达混乱遗传算法
1.
With the aim to reduce building and running cost,a gene expression messy genetic algorithm(GEMGA) is introduced into the optimal rehabilitation of a simulative water distribution system.
以降低管网造价和运行费用为目标,将基因表达混乱遗传算法(GEMGA)引入到供水管网系统的扩建优化设计中,对其在供水管网优化扩建实践领域进行了深入探索。
3) GENE EXPRESSION/genetics
基因表达/遗传学
4) 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。
5) 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。
6) 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
补充资料：基因表达系列分析
基因表达系列分析（sage）是通过快速和详细分析成千上万个est（express sequenced tags）来寻找出表达丰富度不同的sage标签序列。再次访法中，通过限制性酶切可以产生非常短的cdna（10-14bp）标签，并通过pcr扩增和连接，随后对连接题进行测序。sage大大简化和加快了3’端表达序列标签的收集和测序。同dd一样，sage是一个“开放”的系统，可以发现新的未知的序列。在进行标本的比较之前，sage在cdna的产生和处理上需要较多个步骤。由于sage是一个依赖dna测序的基因计量方法，它对基因表达的测定比dd更加量化。由于需要进行大量的测序反应，所以费用因素使大多数研究机构对其广泛应用的主要限制。
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