系统研究了遗传算法在国内外的编码策略、遗传算子、参数确定、收敛性及其在新兴应用领域中的最新进展。通过对近年来大量研究文献的统计分析，揭示了遗传算法研究的热点和未来发展方向。
遗传算法研究综述_马永杰.pdf
相关推荐
研究论文-基于优化遗传算法的快速自动试卷生成算法研究.pdf
为了改进现有的试题管理系统在试卷生成环节中的速度和质量，结合粗粒度并行遗传算法与自适应技术，提出了一种自适应调整种群迁移的快速并行遗传算法。从试题库编码方案、遗传策略、适应度函数的优化、交叉变异算子的选择和自适应度值函数的选取等多个方面进行设计，取得了显著的适应度提升。采用并行策略显著提高了算法的运行速度。仿真实验显示，该算法成功应用于自动组卷，提高了组卷效率和成功率，具备广泛适用性。
数据挖掘
15
2024-07-26
MATLAB 遗传算法
使用 MATLAB 中的遗传算法 (GA) 对问题进行优化。
Matlab
10
2024-05-28
遗传算法应用于排课问题的研究
主要探讨了数据挖掘领域中的重要算法——遗传算法。文章详细阐述了遗传算法的概念、特点，以及基本的操作流程和核心要素，重点分析了遗传算法在解决排课问题中的应用。讨论了编码形式的选择、适应度函数的确定以及遗传操作的具体实施，以优化资源分配，有效解决资源利用冲突。
数据挖掘
11
2024-09-21
遗传算法代码解读
这份文档提供了对上传的遗传算法代码的详细解读，帮助您理解代码背后的算法原理和实现细节。
算法与数据结构
12
2024-05-19
基本遗传算法组成
基本遗传算法由四个主要部分构成：
编码（产生初始种群）：将问题的解空间映射为遗传算法能够处理的编码形式，并生成初始解集合。
适应度函数：用于评估个体对问题解的优劣程度，指导算法搜索方向。
遗传算子：包括选择、交叉、变异三种操作，模拟自然界的遗传进化过程，产生新的解。
选择：根据适应度函数选取优良个体进行遗传操作。
交叉：将两个父代个体的部分基因进行交换，产生新的子代个体。
变异：以一定的概率改变个体的部分基因，增加种群的多样性。
运行参数：包括种群规模、进化代数、交叉概率、变异概率等，影响算法的效率和精度。
算法与数据结构
24
2024-05-26
通配符-遗传算法详解
通配符-遗传算法（WGA）是一种用于求解复杂优化问题的算法。
WGA使用通配符字符串来表示问题的潜在解决方案，并通过遗传算子进行进化。
通配符-遗传算法因其解决复杂优化问题的能力和对不同问题类型的适应性而受到关注。
WGA已被成功应用于各种领域，包括调度、路径规划和特征选择。
算法与数据结构
18
2024-04-30
遗传算法教学示例
示例介绍了遗传算法在教学中的实际应用，有助于理解算法的原理和使用方法。
算法与数据结构
14
2024-05-25
Matlab遗传算法详解
这本涵盖Matlab遗传算法的书籍非常全面，适合各种需求。
Matlab
12
2024-07-27
基于遗传算法挖掘最优频繁模式研究框架
数据爆炸式增长和自动化数据收集工具的普及降低了数据存储成本。然而，数据的高维度、异构性和复杂性给信息提取带来了挑战。数据挖掘技术应运而生，关联规则挖掘作为模式发现技术，可从海量数据中挖掘有价值的模式，但随着实时数据更新，相关性不断变化，需要高效地发现最优频繁模式。为解决传统关联规则挖掘的挑战，提出最优频繁模式系统（OFPS）。OFPS将数据预处理、频繁模式树构建和遗传算法相结合，有效发现最优频繁模式，并通过实验验证了其性能。
数据挖掘
17
2024-04-29