1) hierarchical GA
递阶遗传算法(HGA)
2) Hybrid genetic algorithm
混合遗传算法(HGA)
1.
A Study of Hybrid Genetic Algorithm;
混合遗传算法（HGA）的研究
3) hierarchical genetic algorithm
递阶遗传算法
1.
Optimization for parallel multi-machine scheduling based on hierarchical genetic algorithm;
基于递阶遗传算法的并行多机调度优化
2.
Automatic fuzzy rule extraction based on hierarchical genetic algorithm weighted fuzzy neural networks;
基于递阶遗传算法模糊加权神经网络的模糊规则自动获取
3.
Optimization strategy of neural network based on adaptive hierarchical genetic algorithm;
基于自适应递阶遗传算法的神经网络优化策略
4) hierarchy genetic algorithm
递阶遗传算法
1.
Contraposed to the insufficiency of simple hierarchy genetic algorithm, the concept of individual deepness was first proposed, which is used to scale the diversity of population.
针对简单递阶遗传算法的不足 ,首先提出了个体浓度的概念 ,以衡量种群的多样性 。
2.
Based on the study of self-adaptive wavelet neural networks,a hybrid hierarchy genetic algorithm is proposed to training network.
在研究自适应小波神经网络学习算法的基础上,提出了一种混合递阶遗传算法,与标准遗传算法相比,该算法不仅可以同时确定网络参数(连接权、尺度参数和平移参数),而且解决了网络拓扑结构的优化训练问题。
3.
In view of the lack of BP neural network,in which the initial parameters and the structure are difficult to be determined objectively,the hierarchy genetic algorithm was introduced to optimize the network configuration and parameters.
针对BP神经网络初始参数和结构难以客观确定的不足,引入递阶遗传算法对网络结构和参数进行优化,并比较相同条件下不同适应度函数的优化结果,最终确定出适宜的适应度函数,在此基础上建立副热带高压特征指数的预报优化模型。
6) tabu-hierarchy genetic algorithm
禁忌-递阶遗传算法
1.
A non-NP QoS (quality of service) multicast routing algorithm in IP/DWDM optical Internet, which is one of the main networking technique of NGI (next generation Internet) backbone, is proposed to construct an optimized QoS multicast routing tree based on THGA (tabu-hierarchy genetic algorithm).
设计了NGI主干网重要组网形式IP/DWDM光Internet中一种非NP类QoS(quality of service)组播路由算法,基于禁忌-递阶遗传算法(tabu-hierarchy genetic algorithm,THGA)构造优化的QoS组播路由树·该算法模拟生物繁衍过程,采用递阶编码方式,引入禁忌交叉和禁忌变异两种禁忌算子改进遗传操作,综合考虑了用户QoS需求和网络费用,同时有助于实现网络负载平衡·仿真结果表明,所设计的算法是可行和有效的,它在一定程度上克服了基于经典遗传算法的QoS组播路由算法存在的早熟和收敛慢等问题,提高了算法性能,较好地解决了IP/DWDM光Internet中的QoS组播路由问题
补充资料：递推估计算法
利用时刻t上的参数估计孌(t)、存储向量嗘(t)与时刻 t+1上测量的输入和输出值u(t+1)和y(t+1)计算新参数值孌(t+1),再根据孌(t+1)计算出新参数值孌(t+2)，直到获得满意的参数值为止。这种算法的每一步计算量都比较小，能够使用小型计算机进行离线或在线参数估计，可以估计时变参数，也可以实时估计适应控制器的参数（见适应控制系统）。20世纪60年代，递推估计算法得到迅速发展，到了70年代产生了许多不同的方法，例如，有离线方法的各种变形、卡尔曼滤波法、随机逼近方法和模型参考适应参数递推估计法等。递推估计算法的各种方法可以用一个统一的公式来描述：
给孌(t),F(t),嫓(t)和w(t)不同的值就得到各种不同的方法：①递推最小二乘法；②递推增广最小二乘法；③递推近似极大似然法；④递推辅助变量法；⑤递推广义最小二乘法；⑥卡尔曼滤波参数估计；⑦随机逼近法；⑧模型参考适应法；⑨时变参数递推估计法。
参考书目
Lennart Ljung，Torsten Soderstrom， Theory and Practice of Recursive Identification，MIT Press., Combridge, Mass., 1983.
给孌(t),F(t),嫓(t)和w(t)不同的值就得到各种不同的方法：①递推最小二乘法；②递推增广最小二乘法；③递推近似极大似然法；④递推辅助变量法；⑤递推广义最小二乘法；⑥卡尔曼滤波参数估计；⑦随机逼近法；⑧模型参考适应法；⑨时变参数递推估计法。
参考书目
Lennart Ljung，Torsten Soderstrom， Theory and Practice of Recursive Identification，MIT Press., Combridge, Mass., 1983.
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