二進(jìn)制遺傳算法的改進(jìn)研究

1 引言
1．1 研究目的與意義
1．2 國內(nèi)外研究現(xiàn)狀
1．2．1 遺傳算法的研究現(xiàn)狀
1．2．2 二進(jìn)制遺傳算法的研究現(xiàn)狀
1．3 研究的主要內(nèi)容、方法和技術(shù)路線
1．3．1 研究內(nèi)容
1．3．2 研究方法和技術(shù)路線
2 遺傳算法的基本原理與操作
2．1 遺傳算法的基本用語
2．2 遺傳算法的數(shù)學(xué)模型和基本原理
2．2．1 遺傳算法的數(shù)學(xué)模型
2．2．2 遺傳算法的基本原理
2．3 編碼方法
2．4 初始化種群
2．5 適應(yīng)度函數(shù)
2．6 選擇操作
2．7 交叉操作
2．8 變異操作
2．9 停機條件
2．1 0 本章小結(jié)
3 遺傳算法的理論基礎(chǔ)
3．1 相關(guān)概念及定義
3．2 模式定理
3．2．1 選擇對模式的影響
3．2．2 交叉對模式的影響
3．2．3 變異對模式的影響
3．3 積木塊假設(shè)
3．4 本章小結(jié)
4 遺傳算法的改進(jìn)研究
4．1 碼長的確定和編碼
4．2 初始種群的產(chǎn)生
4．3 個體適應(yīng)度函數(shù)設(shè)計
4．3．1 兩種基于序的適應(yīng)度函數(shù)計算方法與模型
4．3．2 兩種基于序的適應(yīng)度函數(shù)模型的比較
4．4 進(jìn)化策略的改進(jìn)
4．4．1 基本遺傳算法的進(jìn)化策略
4．4．2 傳統(tǒng)遺傳算法的進(jìn)化策略
4．4．3 改進(jìn)遺傳算法的進(jìn)化策略
4．5 改進(jìn)進(jìn)化策略GA的測試與分析
4．5．1 測試函數(shù)與參數(shù)選擇
4．5．2 測試結(jié)果與分析
4．6 本章小結(jié)
5 多子代遺傳算法研究
5．1 多子代遺傳算法的生物學(xué)原理
5．2 單點交叉多子代遺傳算法
5．2．1 單點交叉多子代遺傳算法的產(chǎn)生方法
5．2．2 單點交叉多子代種內(nèi)競爭操作
5．2．3 單點交叉多子代遺傳算法的進(jìn)化策略
5．2．4 單點交叉多子代遺傳算法的測試與分析
5．3 兩點交叉多子代遺傳算法
5．3．1 兩點交叉多子代遺傳算法的產(chǎn)生方法
5．3．2 兩點交叉多子代遺傳算法的測試與分析
5．4 多子代遺傳算法
5．4．1 多子代遺傳算法的產(chǎn)生方法
5．4．2 多子代遺傳算法的測試與分析
5．5 本章小結(jié)
6 區(qū)間自適應(yīng)遺傳算法研究
6．1 區(qū)間自適應(yīng)遺傳算法的基本思路
6．2 自適應(yīng)移動搜索區(qū)間方法
6．3 區(qū)間自適應(yīng)遺傳算法的進(jìn)化策略
6．4 算法的收斂性分析
6．5 本章小結(jié)
7 綜合應(yīng)用實例
7．1 函數(shù)優(yōu)化中的應(yīng)用
7．1．1 函數(shù)優(yōu)化問題的描述
7．1．2 無約束函數(shù)優(yōu)化問題
7．1．3 有約束函數(shù)優(yōu)化問題
7．2 神經(jīng)網(wǎng)絡(luò)權(quán)值與閾值的優(yōu)化問題
7．2．1 BP算法描述
7．2．2 IAGA優(yōu)化BP神經(jīng)網(wǎng)絡(luò)權(quán)值和閾值思想
7．2．3 IAGA優(yōu)化BP神經(jīng)網(wǎng)絡(luò)權(quán)值和閾值算法描述
7．2．4 基于BP神經(jīng)網(wǎng)絡(luò)的聯(lián)合收獲機慣性分離室工藝參數(shù)優(yōu)化實驗
7．3 種植業(yè)結(jié)構(gòu)優(yōu)化與資源最佳分配問題
7．3．1 種植業(yè)結(jié)構(gòu)優(yōu)化與資源分配的數(shù)學(xué)模型
7．3．2 種植業(yè)結(jié)構(gòu)優(yōu)化與資源分配模型的實例計算
7．3．3 仿真參數(shù)及模型求解
7．4 基于馬爾可夫模型的東北三省產(chǎn)業(yè)結(jié)構(gòu)預(yù)測
7．4．1 馬爾可夫預(yù)測模型
7．4．2 東北三省產(chǎn)業(yè)結(jié)構(gòu)的預(yù)測
7．5 本章小結(jié)
8 結(jié)論
參考文獻(xiàn)
附錄