一、遗传算法全局收敛性的齐次有限马尔柯夫链分析（论文文献综述）
张晓[1]（2018）在《基于程序性细胞死亡进化算法的车辆路径规划研究》文中认为智能交通系统是解决现代城市交通问题的重要手段,车辆的路径规划服务是其中的基本组成部分。本文在分析目前主要车辆路径规划方法特点的基础上,尝试了一种基于程序性细胞死亡的进化算法的车辆路径规划方式,并从路网模型的建立、基于程序性细胞死亡的进化算法分析及其在车辆路径规划中应用等几个方面进行了研究。首先,应用图论的基本方法对城市交通路图进行数字化的抽象描述。本文以北京市部分区域为例,通过该地区的电子地图中的信息构建了用于进行动态路径规划问题求解的城市交通路网模型。其次,为了克服遗传算法易陷入早熟收敛的缺陷,将生理学中程序性细胞死亡的三个关键控制基因以算子的方式引入到遗传算法中,提出了基于程序性细胞死亡的进化算法。采用新算法求解多峰值函数优化问题,证明了该算法的可行性和有效性。随后,以Markov链为数学工具对该算法进行收敛性分析。最后,将本文所提的基于程序性细胞死亡的进化算法应用到车辆路径规划中,通过测试及与其它路径规划算法的对比,证明了该算法能有效解决动态的车辆路径规划问题,具有理想的可行性,对于实际的车辆路径规划问题求解具有重要的意义。
王鼎湘,李茂军,李雪,成立[2]（2014）在《基于状态空间模型进化算法的全局收敛性分析》文中进行了进一步梳理基于状态空间模型进化算法（SEA）是一种新颖的实数编码进化算法,在工程优化问题中具有广阔的应用前景。为了完善SEA的理论体系,促进SEA在工程优化问题中的应用研究,利用齐次有限Markov链对SEA的全局收敛性进行分析,证明了SEA不是全局收敛的。通过限定SEA状态进化矩阵内元素的取值范围,同时引入弹力搜索得到改进型弹力状态空间模型进化算法（MESEA）。分析结果表明,弹力搜索能提高SEA的搜索效率。最后得到了MESEA全局收敛的结论,为算法在工程优化问题中的应用提供了理论依据。
胡中波[3]（2014）在《依概率收敛差分演化算法的理论与算法设计》文中进行了进一步梳理差分演化算法是一类新兴的典型的演化算法，算法实现简单、经验参数少、稳健性强。自1995年提出以来，近二十年的研究表明了该算法是应用最广泛、最高效的演化算法之一。然而，与差分演化算法的应用研究相比，算法的理论研究进展缓慢。关于差分演化算法的收敛性理论研究成果更少，存在为数不多的依概率收敛的差分演化算法被提出，该类算法往往会因为求全能力与求精能力的不平衡导致算法效率不高，达不到理论上的预期效果。针对这些不足之处，论文围绕差分演化算法的收敛性理论和依概率收敛算法的设计，做了如下几方面的研究：1.分析了当前关于基本差分演化算法是否全局收敛的结论，进而，基于马尔科夫链模型和随机漂移模型等两种方法，证明了基本差分演化算法不能确保依概率全局收敛；2.结合基本差分演化算法变异算子的搜索特征，证明了在一类全局最优值点临近解空间边界且存在较大测度欺骗最优解集的函数上，基本差分演化算法不能依概率全局收敛；3.提出并证明了一个改进的差分演化算法收敛的充分条件，条件要求存在一子序列种群，在改进的繁殖算子作用下，子序列种群中的个体进入全局最优解集的概率足够大。进而，根据这一充分条件，设计了一个依概率收敛的差分演化算法模式，并证明了如均匀变异、高斯变异等常见繁殖算子，在该收敛模式下能辅助差分演化算法在理论上依概率收敛；4.设计了一个在依概率收敛模式下，能辅助差分演化算法收敛的变异算子，称之为子空间聚类算子，该算子在种群中随机选取一个优质个体作为扰动中心，以两个随机产生的边界个体的差作为扰动的上界，扰动半径等于扰动上界乘以一个随机产生的[0,1]上的实数。概率分析和统计分析表明，该算子能够在较好的平衡求全与求精能力前提下，偏好于在以优秀个体为中心的子空间上搜索。进而，在上述收敛模式下，论文结合子空间聚类算子和5个常用的差分演化算法的变异操作，在CEC2005的标准测试函数集上的比较实验及实验结果的统计分析表明：子空间聚类算子能改良5个常用的差分演化算法版本。5.设计了一类面向螺旋压缩弹簧参数优化配置问题的子空间聚类差分演化算法。数值仿真结果表明了该类收敛差分演化算法的竞争力。结合一类有代表性的函数，论文证明了基本差分演化算法不能确保依概率全局收敛，进而，提出了确保改进的差分演化算法依概率收敛的充分条件、满足充分条件的依概率收敛模式和满足依概率收敛模式的繁殖算子——子空间聚类算子。在收敛模式下，结合子空间聚类算子和差分演化算法的不同版本能产生一类高效且依概率全局收敛的算法。
王甜甜[4]（2013）在《第四方物流配送车辆路径优化研究》文中认为第四方物流是在第三方物流的基础上对物流的进一步发展，将自身的资源与具有互补性服务供应商所拥有的不同资源、能力和技术进行整合与管理，为客户提供全面意义上的供应链的解决方案的一种经营模式。第四方物流可分成协同运作型、方案集成型和行业创新型三种不同的运作模式，而在不同的模式中第四方物流配送车辆路径优化所关注的重点各不相同。因此，本文针对前两种运作模式，把第四方物流配送问题转化为多代理商问题和VRP问题。在协同运作型第四方物流运作模式中，第四方物流为第三方物流提供其缺少的资源、信息管理技术和战略技能。此时，第四方物流配送车辆路径优化问题主要就是VRP问题。针对VRP问题进行数学建模，通过遗传算法搜索方向选择，以及交叉概率、变异概率的自适应选择，在保证遗传算法的效率的基础上，避免遗传算法过早陷入局部最优解。同时，对遗传算法在VRP问题中的染色体编码、选择算子、交叉算子、适应度函数以及退出条件等进行了设计。通过案例的分析，验证了本文对遗传算法的改进可以在保证获得全局最优解的前提下其有效收敛。在方案集成型第四方物流运作模式中，第四方物流公司通过利用第三方物流公司的优势区域，为客户提供总成本更低的物流服务。此时，第四方物流配送路径优化问题主要就是多代理商问题。通过对多代理商问题进行数学建模，利用主作业整合算法实现第四方物流中，多个代理商时的配送车辆路径优化。结合案例分析，验证了解决方案设计的有效性，表明第四方物流背景下，采用主作业整合算法可以实现多代理商的配送路径优化。本文对第四方物流配送车辆路径优化的研究，既考虑了单个第三方物流公司运营过程中的VRP问题，也对第四方物流中的多代理商问题进行了研究。通过多个第三方物流公司优势区域的整合，来为用户提供总成本更低的物流配送方案。
袁丽华[5]（2009）在《基于物种进化的遗传算法研究》文中认为遗传算法作为一种仿生智能优化技术,克服了梯度搜索技术的不足,已经广泛地应用在工程科学上的许多领域。与基于微积分理论的传统优化方法相比,遗传算法在全局优化、复杂设计、复杂目标函数优化及易用性等方面都显示出了其优越性,成为计算智能研究中的热点。在分析简单遗传算法和各种改进算法的基础上,以达尔文进化论和孟德尔遗传学为总的指导思想,力求模仿生态学的方法和现象、结合生物工程上的技术手段以及借鉴其它学科的一些原理和方法,来改进简单遗传算法,旨在提高收敛精度和全局收敛率。具体内容如下:研究了遗传算法中的物种培育问题。模仿生物工程上的不同育种技术,提出了三种育种遗传算法,即杂交育种遗传算法、诱变育种遗传算法和选择育种遗传算法。通过对全局最小值和全局最大值的复杂函数优化,分析比较了各种育种遗传算法的优缺点。研究了遗传算法中的物种进化环境。小生境遗传算法反应物种不是独立存在的,而是相互联系,相互影响的。惩罚小生境遗传算法具有优良的性能,常用于多模态函数的优化,但小生境半径困扰着这一技术的运用。针对这一问题提出了基于优良种子的惩罚小生境遗传算法,采用简单遗传算法对待求解问题进行初步探索,通过多次运行得到优良种子集,种子之间的几何位置关系可以帮助小生境距离的确定。在解决类似旅行商之类的非确定性多项式问题时,先验知识的应用对难题的解决是很重要的。提出了基于优良种子分段方法,使用“分而治之”的策略,可望将复杂问题的“无穷尽处理法”变为“有限选择法”。时间上的计算问题一旦在空间上采用某种有序划分,复杂过程可以约化为简单的处理程序。以优良种子为先验知识,进行有序划分,从而找到接近最优值的满意解。研究了物种基因多效性的问题。模仿生物中的一因多效的现象,提出了基于一因多效的遗传算法,突破了基因型与表现型之间的惯用的一一对应关系,在算法中首次建立了一个基因型对应多个表现型的非线性仿生关系。研究表明一因多效遗传算法易于维护种群的多样性,可以运用小规模种群运算,以提高算法的运行效率。本文的创新点如下:1.依据生物工程上的育种技术提出了三种不同的育种遗传算法,即杂交育种遗传算法、诱变育种遗传算法和选择育种遗传算法。2.采用极值点探求法挖掘待求函数信息,指导小生境距离的确定。以解决惩罚小生境遗传算法关键参数选取问题,有助于算法的推广应用。3.采用开放路径优化和片段重叠优化技术,以解决大规模旅行商问题降维后,端点的连接与优化问题。4.提出了基于一因多效的遗传算法,在算法中首次建立了一个基因型对应多个表现型的非线性仿生关系,模拟了生物基因与表现型之间的复杂关系,有效提高了种群的多样性。
郑小平[6]（2008）在《一种基于育种思想的全局优化算法—原理、性能及应用》文中研究表明优化技术作为工程决策的定量分析方法,其目的是基于研究对象的某种指标寻找最优的变量取值。但是,对于采用某种优化算法所获得的优化结果,当问及是否存在比之更好的解或者其是否全局最优解时,现有的算法尚难作出令人满意的回答。包括遗传算法（Genetic Algorithm,GA）在内的诸多算法,可以在经历无穷代演化后以概率1收敛到全局最优,但实际操作往往只能是有限次计算。因此,寻找更为有效的算法或策略以提高优化计算的效率,并对优化算法有限次计算的结果进行评价,以为决策提供更为可靠的信息,似将成为优化技术研究领域所关注的重要课题。本文基于遗传算法对上述课题展开研究,其主要工作内容和贡献如下。1.通过理论分析与实验研究,本文对常规遗传算法在优化计算的全局性和精确性等方面存在的问题进行了分析,指出遗传算法同时进行广度搜索和局部搜索的思想策略所存在的内在缺陷及其所面临的困境,为算法策略的进一步改进指出了合理可行的方向。2.本文借鉴现代育种操作思想,提出一类新的进化算法—育种算法（Breeding Algorithm,BA）。算法将全局优化过程转化为种子的选择和培育两个阶段的操作。提出利用自由采样选种实现广度搜索,采用基因置换技术执行育种操作以实现局部搜索的新思想,指出算法实现全局优化的基本原理并建立相应的实施模型。实验结果表明,实现相同概率的全局优化,育种算法所需计算代价一般不到常规遗传算法的1/2,并且具有更高的计算精度。3.根据育种算法的采样选种过程,本文提出采样探测灵敏度的概念,并结合采样得到的最优个体建立了解的全局性评价方法。4.本文对基因置换技术实现局部搜索的机理进行了分析和描述。对于二进制编码遗传算法所出现的海明悬崖现象,根据基因置换完毕的编码特征,提出识别和修复方法,从而可以确保算法实现二进制编码的最高计算精度。与此同时,对基因置换操作实现局部搜索的计算代价进行分析估计,指出该操作函数值计算次数上限和经验估计。5.本文对算法的实施和演化方式进行了研究,针对函数优化问题的性状及复杂函数的构造特征指出了算法的相应策略。对于约束优化问题,建立采用罚因子确定的经验方法。对40余例变量数1～50的经典测试函数进行实验和比较的结果表明,育种算法成功地刷新了现有部分最优解记录,其全局和局部搜索性能都优于常规遗传算法。6.本文对平行育种算法应用于多目标优化问题的效果进行了研究。结果表明,在求取多目标优化问题的帕累托（Pareto）有效解集方面,采用平行育种算法结合随机权系数,一般可以获得多个有效解。另外,针对过程系统控制参数的不确定性所产生的多模态和敏感系统优化问题,提出了系统平均效果最优解的概念,并结合平行育种算法建立了相应的求解和评价方法,然后通过工程实例的求解,对该方法的实施过程进行了更为确切的描述。7.最后,本文给出运用育种算法求解工程优化问题的基本实施流程,并对相关策略进行说明。本文研究结果表明,和常规遗传算法相比,育种算法在全局优化的原理上更加明确,算法构造更为简单,且在优化计算的精确性和效率方面也具有明显优势,可作为一种实用的工程优化方法。
王比翼[7]（2008）在《用改进遗传算法和径向基函数网络预测蛋白质二级结构》文中研究说明蛋白质组学研究是后基因时代生物信息学中最重大的研究课题之一,蛋白质结构预测是蛋白质组学富有挑战性的问题之一。本文在介绍了现有蛋白质二级结构预测方法之后,用目前最具前景的人工神经网络技术,采用局部逼近网络—径向基函数网络来预测蛋白质二级结构。径向基函数网络确定中心的算法中常用的K-均值、K-最近邻等聚类算法需要人为地确定中心个数,即事先指定聚类的类别数,而中心个数又对网络性能有着重大影响,因此提出了用遗传算法寻优径向基函数网络的中心。遗传算法通过进行全局搜索,挑选网络的中心向量,摒弃冗余节点,大大减少了网络隐层节点个数,也就是径向基函数网络的中心的个数,增加了网络的泛化能力。由于网络的中心、宽度以及结构参数和权值都对网络有影响,因此提出了用自适应遗传算法同时优化径向基函数网络的中心、宽度和结构参数。简单遗传算法并不能保证以概率1收敛到最优解,且人为主观地确定交叉概率和变异概率,因此在自适应遗传算法的基础上提出了改进的自适应遗传算法,有效地克服了简单遗传算法在给定交叉概率和变异概率时的主观性和不确定性,并且加速算法收敛,防止早熟。蛋白质序列的编码采用富含生物进化信息的profile编码方法,在输入过程中采用滑动窗口技术,对同源蛋白质序列的二级结构进行预测。文章将改进的自适应遗传算法用于径向基函数网络的优化,用优化的网络来预测蛋白质序列的二级结构,取得了良好的效果。
薛文涛[8]（2008）在《基于免疫的智能优化算法理论及应用研究》文中进行了进一步梳理优化问题大量存在于科学研究和工程应用中的各个领域,因而开展最优化方法的研究具有重要的理论意义和实用价值。传统的确定性优化方法存在诸多的局限性,难以解决当今社会日益增多的复杂问题,而以生物智能或自然现象为基础的智能算法具有简单通用、鲁棒性好、适于并行处理等特点,因此成为解决复杂优化问题的有力工具。生物免疫系统是一个复杂的、高度并行的、分布式的、自适应信息处理系统,它能够识别和排除侵入机体的抗原性异物,并且具有学习、记忆和自适应调节能力。由于基于免疫的算法能有效地克服其他智能算法的早熟现象、种群多样性不足等问题,因此借鉴和利用免疫机制,开发新的智能工具和建立混合智能算法已成为人工智能领域研究的一个热点。本文基于免疫系统的机理,结合其他智能方法进行算法的改进研究,并建立多智能方法相互融合的混合优化技术为复杂的工程问题提供新的实用技术。论文的主要研究成果如下:1.基本遗传算法在进化后期收敛速度较慢、容易早熟收敛。为了解决这些问题,借鉴免疫机理,提出一种基于免疫学习机制的遗传算法。算法不仅保持了优良抗体在进化中的主导地位,而且充分发掘强成长性抗体的寻优潜力,在优良记忆库的作用下,算法对全局最优的搜索快速且有效。仿真结果表明该算法有较强的全局收敛能力和较快的收敛速度。利用该算法优化径向基网络整定的PID控制器,实现了三自由度飞行器模型系统的稳定控制,实验表明了这种方法的控制品质优于线性二次型调节器控制,具有较好的适应能力、鲁棒性和较快的响应速度。2.应用小生境技术,并借鉴免疫机理构造特异性免疫策略,提出一种基于特异性免疫策略的遗传算法。函数仿真结果表明,该方法能有效地改善种群多样性,提高算法的全局收敛能力,且算法收敛成功的概率和平均收敛代数明显要好于同类免疫算法。以二级倒立摆为被控对象,将该算法应用于Takagi-Sugeno模糊神经网络控制器的优化,实物控制结果表明该方法具有良好的动稳态性能、抗干扰能力。3.针对进化规划的早熟收敛问题,本文借鉴免疫系统的应答机制,提出了一种基于双变异算子的免疫规划算法。该算法的核心在于采用全局柯西和局部高斯变异算子,通过保持种群的多样性同时执行记忆、弱小保护策略,保证了算法有效性。理论分析与仿真实验表明,基于双变异算子的免疫规划算法的收敛速度,以及解的精度明显优越于传统的进化规划。4.针对多峰优化问题,提出一种基于双变异算子的免疫网络算法。该算法借鉴免疫系统的克隆选择和免疫网络理论,采用双变异算子以提高算法的全局和局部搜索能力;利用动态网络抑制策略保持种群的多样性,自适应地调节抗体群的规模。仿真结果表明该算法能有效地改善种群的多样性,较好地实现全局优化和局部优化的有机结合,具有更强的多峰函数优化能力。5.针对粒子群算法易早熟、维持多样性差等缺点,借鉴粒子群优化的特性和免疫网络理论,提出一种免疫粒子群网络算法。该算法利用粒子群的信息共享和记忆功能,通过加强粒子对自身经历的认知,提高算法的局部搜索能力;采用动态网络抑制策略,保持种群的多样性,自适应地调节粒子群的规模。仿真结果表明,实现的混合算法不仅减少了收敛所需的迭代次数,而且有效地提高了算法的寻优能力。针对无线传感器网络节点位置优化问题,提出基于免疫粒子群算法的网络覆盖优化机制。通过免疫粒子群算法搜索不同状态下无线传感器节点的最优位置,使无线传感器网络能够实现最大化网络覆盖面积。实验表明这种机制能快速有效地实现无线传感器网络移动节点位置优化。
屠昂燕,陈建成[9]（2008）在《遗传算法的收敛性研究》文中进行了进一步梳理通过马尔可夫链方法,分析种群在解空间上概率分布情况以及收敛到最优解的概率,证明经典GA是不会收敛到最优解的,若在GA中保留每一代的最佳个体,则可以收敛到最优解。讨论全局收敛和过早收敛的原因,最后提出GA操作中应遵循的原则是改进GA搜索性能的关键。
祝希路,李智勇,袁健,李哲[10]（2008）在《基于建筑块迁移策略的并行遗传算法》文中研究表明通过分析模式定理及建筑块理论,提出一种基于建筑块迁移策略并行遗传算法。算法根据种群的收敛情况,从其他种群中获取非重叠的建筑块,采用模拟退火思想防止优良模式的浓度过快地增大引起早熟。理论分析和对多峰函数的仿真结果均表明,该算法减少了无效迁移次数,降低了通信开销,而且发生成熟前收敛的概率明显下降,保证了遗传算法的全局收敛性。
二、遗传算法全局收敛性的齐次有限马尔柯夫链分析（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、遗传算法全局收敛性的齐次有限马尔柯夫链分析（论文提纲范文）
（1）基于程序性细胞死亡进化算法的车辆路径规划研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 智能交通系统 |
| 1.2.2 路径规划 |
| 1.3 本文研究内容及章节安排 |
| 第二章 路网模型的建立及数据存储结构 |
| 2.1 路网的抽象表示 |
| 2.2 路网模型 |
| 2.2.1 模型描述 |
| 2.2.2 路网信息 |
| 2.2.3 基于时段划分的动态路网模型 |
| 2.3 路网的数据存储结构 |
| 2.3.1 邻接矩阵表示法 |
| 2.3.2 邻接表表示法 |
| 2.3.3 两种存储表示方式对比 |
| 2.4 本章小结 |
| 第三章 基于程序性细胞死亡的进化算法 |
| 3.1 遗传算法简介 |
| 3.1.1 遗传算法的基本原理 |
| 3.1.2 遗传算法的步骤 |
| 3.1.3 遗传算法的特点 |
| 3.1.4 遗传算法的应用 |
| 3.2 程序性细胞死亡进化算法的实现 |
| 3.2.1 程序性细胞死亡生理学机理 |
| 3.2.2 程序性细胞死亡进化算法的基本思想 |
| 3.2.3 程序性细胞死亡进化算法的流程 |
| 3.3 收敛性分析 |
| 3.3.1 收敛性定义 |
| 3.3.2 标准遗传算法的收敛性 |
| 3.3.3 程序性细胞死亡算法的收敛性分析 |
| 3.4 算法的仿真 |
| 3.5 本章小结 |
| 第四章 基于程序性细胞死亡进化算法的路径规划 |
| 4.1 最优路径评价标准 |
| 4.2 基于PCDA算法的路径规划 |
| 4.3 静态路网的路径规划 |
| 4.3.1 静态路网模型 |
| 4.3.2 仿真结果与分析 |
| 4.4 动态路网的路径规划 |
| 4.4.1 动态路网模型 |
| 4.4.2 仿真结果与分析 |
| 4.5 本章小结 |
| 第五章 结论与展望 |
| 5.1 工作总结 |
| 5.2 研究展望 |
| 参考文献 |
| 攻读学位期间所取得的科研成果 |
| 致谢 |
（2）基于状态空间模型进化算法的全局收敛性分析（论文提纲范文）
| 0 引言 |
| 1 问题描述及SEA |
| 1.1 问题描述 |
| 1.2 SEA及其基本参数设定 |
| 2 马尔可夫链相关定义和定理 |
| 3 全局收敛性分析 |
| 4 MESEA搜索效率分析及改进 |
| 5 结语 |
（3）依概率收敛差分演化算法的理论与算法设计（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 差分演化算法研究概况 |
| 1.2 差分演化算法理论研究背景 |
| 1.2.1 差分演化算法算子的搜索机理 |
| 1.2.2 差分演化算法的渐近收敛性 |
| 1.2.3 差分演化算法的计算复杂度 |
| 1.2.4 依概率收敛的差分演化算法设计 |
| 1.3 论文主要研究内容与创新点 |
| 第2章 差分演化算法的不确保依概率收敛性 |
| 2.1 基本差分演化算法 |
| 2.2 相关差分演化算法收敛性结论的分析 |
| 2.3 基于马尔科夫链的差分演化算法收敛性分析 |
| 2.3.1 相关定义与定理 |
| 2.3.2 连续解空间的离散化 |
| 2.3.3 差分演化算法的马尔科夫链建模 |
| 2.3.4 基于马尔科夫链的差分演化算法收敛性证明 |
| 2.4 基于随机漂移模型的差分演化算法收敛性分析 |
| 2.4.1 差分演化算法的随机漂移建模 |
| 2.4.2 线性欺骗函数的构造 |
| 2.4.3 基于随机漂移模型的差分演化算法收敛性证明 |
| 2.5 一类让算法不能确保收敛的函数 |
| 2.5.1 函数的结构特征分析 |
| 2.5.2 数值实验分析 |
| 2.5.3 函数难优化的缘由分析 |
| 2.6 本章小结 |
| 第3章 差分演化算法依概率收敛的充分条件 |
| 3.1 充分条件的推理 |
| 3.2 充分条件的注记 |
| 3.3 几个差分演化算法的收敛性分析 |
| 3.3.1 DE-RW 算法的收敛性证明 |
| 3.3.2 CCoDE 算法的收敛性证明 |
| 3.3.3 msDE 算法的收敛性证明 |
| 3.4 本章小结 |
| 第4章 差分演化算法的依概率收敛模式及辅助算子 |
| 4.1 一个依概率收敛的差分演化算法模式 |
| 4.2 辅助差分演化算法收敛的常用繁殖算子 |
| 4.2.1 均匀变异算子 |
| 4.2.2 高斯变异算子 |
| 4.3 常用繁殖算子的辅助效率测试 |
| 4.3.1 实验设计与实验参数设置 |
| 4.3.2 实验结果与分析 |
| 4.4 本章小结 |
| 第5章 依概率收敛差分演化算法的辅助算子设计 |
| 5.1 子空间聚类算子 |
| 5.1.1 子空间聚类算子的概率分析 |
| 5.1.2 子空间聚类算子的统计分析 |
| 5.1.3 子空间聚类算子的程序实现 |
| 5.2 一类基于子空间聚类算子的收敛差分演化算法 |
| 5.3 算法的收敛性证明 |
| 5.4 数值实验分析 |
| 5.4.1 测试函数集 |
| 5.4.2 实验设计与参数设置 |
| 5.4.3 实验结果与分析 |
| 5.5 本章小结 |
| 第6章 依概率收敛差分演化算法在螺旋压缩弹簧参数优化中的应用 |
| 6.1 螺旋压缩弹簧参数优化问题（CCS）的模型建立 |
| 6.2 面向 CCS 优化设计的子空间聚类差分演化算法 |
| 6.2.1 面向 CCS 优化设计的罚函数约束处理技术 |
| 6.2.2 CCS 优化中混合变量的处理技术 |
| 6.3 实验设计与结果分析 |
| 6.4 本章小结 |
| 第7章 总结与展望 |
| 7.1 主要工作总结 |
| 7.2 研究展望 |
| 致谢 |
| 参考文献 |
| 攻读博士期间的学术成果与科研项目 |
（4）第四方物流配送车辆路径优化研究（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 研究现状 |
| 1.3 研究内容 |
| 第二章 第四方物流配送路径优化问题分析与算法研究 |
| 2.1 第四方物流 |
| 2.1.1 第四方物流的概念 |
| 2.1.2 第四方物流的运作模式 |
| 2.2 第四方物流路径优化问题分析 |
| 2.2.1 VRP 问题 |
| 2.2.2 多代理商问题 |
| 2.3 VRP 问题求解算法研究 |
| 2.3.1 图论和最优化理论基础 |
| 2.3.2 精确算法 |
| 2.3.3 启发式算法 |
| 2.4 本章小结 |
| 第三章 基于主作业整合算法的多代理商问题解决方案设计 |
| 3.1 多代理商物流整合优化模型 |
| 3.2 模型求解基础 |
| 3.2.1 主作业选择策略 |
| 3.2.2 子作业的划分 |
| 3.2.3 子作业代理商选择 |
| 3.3 基于主作业选择的模型求解 |
| 3.3.1 作业整合规则 |
| 3.3.2 主作业整合算法 |
| 3.4 多代理商问题的案例分析 |
| 3.4.1 多代理商问题简介 |
| 3.4.2 计算结果分析 |
| 3.5 本章小结 |
| 第四章 基于遗传算法的 VRP 问题解决方案设计 |
| 4.1 VRP 问题的数学模型分析 |
| 4.1.1 VRP 问题描述 |
| 4.1.2 VRP 问题的数学模型 |
| 4.2 遗传算法的理论研究 |
| 4.3 遗传算法的特点与改进策略 |
| 4.3.1 简单遗传算法的特点 |
| 4.3.2 搜索方向的选择优化 |
| 4.3.3 自适应交叉和变异概率设计 |
| 4.4 遗传算法在 VRP 问题中的应用 |
| 4.4.1 VRP 问题的编码 |
| 4.4.2 种群的初始化 |
| 4.4.3 选择算子的设计 |
| 4.4.4 交叉算子的设计 |
| 4.4.5 变异算子的设计 |
| 4.4.6 适应度函数的设计 |
| 4.4.7 退出条件设计 |
| 4.5 VRP 问题求解流程设计 |
| 4.6 VRP 问题的案例分析 |
| 4.6.1 VRP 问题简介 |
| 4.6.2 计算结果分析 |
| 4.7 本章小结 |
| 第五章 总结 |
| 5.1 结论 |
| 5.2 展望 |
| 参考文献 |
（5）基于物种进化的遗传算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 遗传算法概述 |
| 1.1.1 遗传算法的生物学背景 |
| 1.1.2 遗传算法的发展历史 |
| 1.1.3 遗传算法的研究概况 |
| 1.2 本文研究意义 |
| 1.3 关于物种进化的国内外研究现状 |
| 1.4 本文主要内容及结构 |
| 第二章 遗传算法的理论基础 |
| 2.1 简单遗传算法原理 |
| 2.2 简单遗传算法的收敛性分析 |
| 2.3 相似性测度 |
| 2.3.1 基因型相似性 |
| 2.3.2 表现型相似性 |
| 2.4 多样性测度 |
| 2.4.1 方差和标准差 |
| 2.4.2 表现型多样性 |
| 2.4.3 熵型多样性 |
| 2.4.4 基因型多样性 |
| 2.5 小结 |
| 第三章 遗传算法中的物种培育算法研究 |
| 3.1 引言 |
| 3.2 育种遗传算法 |
| 3.2.1 杂交育种遗传算法 |
| 3.2.2 诱变育种遗传算法 |
| 3.2.3 选择育种遗传算法 |
| 3.3 实验分析 |
| 3.3.1 测试函数 |
| 3.3.2 处理复杂问题的能力 |
| 3.3.3 最大进化代数的影响 |
| 3.4 小结 |
| 第四章 物种进化环境的研究 |
| 4.1 引言 |
| 4.2 小生境遗传算法 |
| 4.2.1 确定性排挤小生境遗传算法 |
| 4.2.2 共享小生境遗传算法 |
| 4.2.3 惩罚小生境遗传算法 |
| 4.3 小生境遗传算法间的性能对比 |
| 4.3.1 NGAs 的求解速度对比 |
| 4.3.2 NGAs 抑制早熟收敛性能对比 |
| 4.3.3 NGAs 的多样性维护对比 |
| 4.3.4 NGAs 的性能小结 |
| 4.4 基于优良种子的惩罚小生境遗传算法 |
| 4.4.1 基于优良种子的惩罚小生境算法思想 |
| 4.4.2 实例分析 |
| 4.5 小结 |
| 第五章 基于优良种子分段法研究旅行商问题 |
| 5.1 引言 |
| 5.2 旅行商问题（TSP） |
| 5.2.1 TSP 定义 |
| 5.2.2 TSP 编码方法 |
| 5.2.3 TSP 交叉算子 |
| 5.2.4 TSP 变异算子 |
| 5.3 基于优良种子分段求解旅行商问题的方法 |
| 5.3.1 基于优良种子分段法的算法思想 |
| 5.3.2 旅行商问题分段法的可行性分析 |
| 5.4 实验分析 |
| 5.4.1 eil51 |
| 5.4.2 eil101 |
| 5.4.3 ch130 |
| 5.4.4 ch150 |
| 5.5 小结 |
| 第六章 物种基因多效性研究 |
| 6.1 引言 |
| 6.2 编码方法 |
| 6.2.1 常用的编码方法 |
| 6.2.2 二值编码 |
| 6.3 一因多效的遗传操作算子 |
| 6.3.1 一因多效的交叉算子 |
| 6.3.2 一因多效的变异算子 |
| 6.3.3 一因多效的选择算子 |
| 6.4 收敛性分析 |
| 6.5 实验分析 |
| 6.5.1 求解成功率 |
| 6.5.2 运行效率 |
| 6.5.3 多样性比较 |
| 6.6 小结 |
| 第七章 结论与展望 |
| 7.1 本文结论 |
| 7.2 工作展望 |
| 参考文献 |
| 致谢 |
| 在学期间的研究成果及发表的学术论文 |
（6）一种基于育种思想的全局优化算法—原理、性能及应用（论文提纲范文）
| 摘要 |
| Abstract |
| 引言 |
| 1 文献评述 |
| 1.1 全局优化描述及编码转换 |
| 1.1.1 全局优化的一般性描述 |
| 1.1.2 二进制编码 |
| 1.2 遗传算法的基本构造及其实施技术 |
| 1.2.1 标准遗传算法的基本结构 |
| 1.2.2 终止准则 |
| 1.2.3 控制参数的确定 |
| 1.3 标准遗传算法的性能实验及其缺陷分析 |
| 1.3.1 标准遗传算法的性能实验 |
| 1.3.2 标准遗传算法的缺陷分析 |
| 1.4 遗传算法的改进策略及效果评价 |
| 1.4.1 种群多样性策略 |
| 1.4.2 平行搜索或多种群策略 |
| 1.4.3 区域压缩技术 |
| 1.4.4 简单育种技术 |
| 1.4.5 其它改进策略 |
| 1.5 遗传算法的进化机理和收敛性能 |
| 1.5.1 遗传算法的进化机理 |
| 1.5.2 遗传算法的收敛性 |
| 1.6 遗传算法的性能评价和比较方法 |
| 1.7 本文的主要研究内容及技术路线 |
| 2 育种算法的基本原理及其收敛性能 |
| 2.1 种子的选择与优化的全局性 |
| 2.1.1 选种目的 |
| 2.1.2 基于自由采样的选种方式及其代价估计 |
| 2.1.3 基于自由采样结果的全局性评价方法 |
| 2.1.4 自由采样对搜索空间的压缩作用 |
| 2.2 基因置换技术的进化原理与代价估计 |
| 2.2.1 基因置换技术的基本思想及其算法实施 |
| 2.2.2 一种基因置换操作的收敛特性及其代价估计 |
| 2.2.3 基因置换结果的精确修复与代价估计 |
| 2.2.4 基因置换的定精度局部优化性能及代价估计 |
| 2.3 育种算法的基本模型及其收敛性分析 |
| 2.3.1 育种算法的基本模型 |
| 2.3.2 育种算法的收敛性分析 |
| 2.4 育种算法性能的实验验证及其比较研究 |
| 2.4.1 育种算法的性能实验 |
| 2.4.2 育种算法与遗传算法的性能评判 |
| 2.5 小结 |
| 3 育种算法的实施策略及实验研究 |
| 3.1 种子判断准则与采样终止 |
| 3.2 单一种子育种模型(sBA) |
| 3.2.1 定长度基因置换单种算法模型 |
| 3.2.2 分级基因置换单种算法模型 |
| 3.3 多种子平行育种模型(pBA) |
| 3.3.1 平行育种算法的适用性 |
| 3.3.2 平行育种算法的实施 |
| 3.3.3 平行育种算法解的全局性评价方法 |
| 3.4 育种算法实验及结果分析 |
| 3.4.1 实验结果的评价方法 |
| 3.4.2 单种算法sBA实验结果及性能分析 |
| 3.4.3 单种cBA实验结果结果及性能分析 |
| 3.4.4 平行算法实验结果及性能分析 |
| 3.5 函数优化问题的复杂性及其构造特点 |
| 3.5.1 复杂函数的特征 |
| 3.5.2 复杂函数最优化问题的构造技术 |
| 3.6 结合区域压缩技术的育种算法 |
| 3.6.1 基于聚合特性的区域压缩技术 |
| 3.6.2 结合压缩操作的育种算法及其实验 |
| 3.7 结语 |
| 4 育种算法求解约束优化问题的策略及实验研究 |
| 4.1 约束条件的处理 |
| 4.2 育种算法求解约束优化问题的实验研究 |
| 4.3 约束优化的搜索特征及罚因子确定 |
| 4.3.1 可行区域的分布及罚因子的影响 |
| 4.3.2 罚因子的确定 |
| 4.4 结语 |
| 5 平行育种算法在多目标及敏感系统优化的应用 |
| 5.1 多目标优化问题 |
| 5.1.1 多目标优化问题的解集 |
| 5.1.2 帕累托(Pareto)有效解集的求取 |
| 5.1.3 求解Pareto有效解集的平行育种算法 |
| 5.1.4 算法实验和性能研究 |
| 5.2 敏感系统优化及其最优解的确定 |
| 5.2.1 过程系统单元优化模型及其敏感性 |
| 5.2.2 基于平均效果最优的敏感系统优化方法 |
| 5.2.3 敏感系统优化实施举例 |
| 5.3 结语 |
| 6 育种算法求解工程优化问题的基本流程 |
| 6.1 优化模型的构造和算法要求 |
| 6.2 育种算法的程序构成和操作步骤 |
| 6.2.1 育种算法程序及其内容说明 |
| 6.2.2 育种算法的运行前的准备工作 |
| 6.2.3 育种算法的运行进程 |
| 6.3 算法结果及其评价 |
| 结论和展望 |
| 一、结论 |
| 二、展望 |
| 创新点摘要 |
| 参考文献 |
| 附录1 实验函数列表 |
| 附录2 函数的复杂性分类及难度系数(φ)的参考取值方法 |
| 附录3 部分实验函数的难度系数(φ)和允差(δ) |
| 附录4 主要符号对照表 |
| 攻读博士学位期间发表学术论文情况 |
| 致谢 |
（7）用改进遗传算法和径向基函数网络预测蛋白质二级结构（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 论文的研究背景 |
| 1.2 论文的内容及结构 |
| 2 蛋白质二级结构预测 |
| 2.1 后基因时代的生物信息学 |
| 2.2 蛋白质的结构 |
| 2.3 蛋白质二级结构预测 |
| 2.4 蛋白质二级结构预测的研究意义 |
| 2.5 蛋白质二级结构预测方法 |
| 3 改进遗传算法的径向基函数网络方法 |
| 3.1 径向基函数网络及其结构 |
| 3.1.1 神经网络结构 |
| 3.1.2 径向基函数网络 |
| 3.1.3 径向基函数网络的结构 |
| 3.2 径向基函数网络的相关理论 |
| 3.2.1 径向基函数网络的学习 |
| 3.2.2 径向基函数网络的函数逼近理论 |
| 3.2.3 径向基函数网络的可行解 |
| 3.3 遗传算法 |
| 3.3.1 遗传算法的基本概念 |
| 3.3.2 遗传算法的基本步骤 |
| 3.3.3 遗传算法的理论基础 |
| 3.3.4 遗传算法的收敛性分析 |
| 3.3.5 遗传算法的特点以及不足 |
| 3.4 自适应遗传算法(AGA)基本原理 |
| 3.4.1 自适应的交叉概率和变异概率 |
| 3.4.2 改进的自适应交叉概率和变异概率 |
| 4 基于改进遗传算法的径向基函数网络 |
| 4.1 MATLAB/Neural Network Toolbox中径向基函数网络 |
| 4.2 径向基函数网络中心的选取 |
| 4.2.1 K-最近邻(K-NN)算法 |
| 4.2.2 K-均值(K-Means)算法 |
| 4.2.3 遗传算法选取中心 |
| 4.2.4 自适应遗传算法寻优中心 |
| 4.3 神经网络权值的确定 |
| 4.4 遗传算法优化径向基函数网络结构 |
| 4.4.1 遗传算法同时优化中心和隐节点数目 |
| 4.4.2 变长度染色体遗传算法 |
| 4.4.3 遗传算法优化中心、宽度、结构以及权值 |
| 5 蛋白质序列相关问题 |
| 5.1 序列编码问题 |
| 5.2 生物信息数据库 |
| 5.3 蛋白质数据库 |
| 5.4 数据来源以及数据结构 |
| 6 算法运行结果及分析 |
| 6.1 神经网络模型 |
| 6.2 网络设计和预测精度的衡量 |
| 结论与展望 |
| 参考文献 |
| 致谢 |
| 附录 |
（8）基于免疫的智能优化算法理论及应用研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 目录 |
| 1 绪论 |
| 1.1 论文研究的背景与意义 |
| 1.2 智能优化算法 |
| 1.2.1 进化算法 |
| 1.2.2 群智能算法 |
| 1.2.3 其它优化算法 |
| 1.3 人工免疫算法研究综述 |
| 1.3.1 生物免疫系统概述 |
| 1.3.2 人工免疫系统的研究现状 |
| 1.3.3 基于免疫原理的智能算法 |
| 1.3.4 人工免疫算法理论研究 |
| 1.3.5 人工免疫算法应用研究 |
| 1.4 本文研究的主要内容和结构 |
| 2 基于免疫学习机制的遗传算法及其应用 |
| 2.1 引言 |
| 2.2 标准遗传算法 |
| 2.2.1 标准遗传算法的构成要素 |
| 2.2.2 遗传算法的优点及存在的问题 |
| 2.3 免疫系统的仿生机理 |
| 2.4 基于免疫学习机制的遗传算法 |
| 2.4.1 免疫算子 |
| 2.4.2 强化学习策略 |
| 2.4.3 弱小保护策略 |
| 2.4.4 算法的步骤 |
| 2.4.5 算法的收敛性 |
| 2.4.6 标准函数的仿真实验 |
| 2.5 三自由度飞行器模型系统 |
| 2.5.1 三自由度飞行器模型的硬件系统 |
| 2.5.2 三自由度飞行器模型系统的数学模型 |
| 2.5.3 系统的内在特性分析 |
| 2.6 三自由度飞行器模型系统的稳态控制 |
| 2.6.1 基于RBF网络整定的PID控制器 |
| 2.6.2 基于ILGA的RBF网络参数优化 |
| 2.6.3 实时控制分析 |
| 2.7 本章小结 |
| 3 基于特异性免疫策略的遗传算法及其应用 |
| 3.1 引言 |
| 3.2 小生境技术 |
| 3.3 基于特异性免疫策略的遗传算法 |
| 3.3.1 算法的基本思想 |
| 3.3.2 清除技术 |
| 3.3.3 自适应遗传算子 |
| 3.3.4 特异性免疫策略 |
| 3.3.5 算法的步骤 |
| 3.3.6 算法的收敛性 |
| 3.4 标准函数的仿真试验 |
| 3.5 二级倒立摆系统 |
| 3.5.1 倒立摆控制技术研究状况 |
| 3.5.2 倒立摆系统的组成 |
| 3.5.3 二级倒立摆系统建模 |
| 3.5.4 二级倒立摆系统可控性分析 |
| 3.6 二级倒立摆系统的控制 |
| 3.6.1 模糊神经网络控制器结构 |
| 3.6.2 FNN参数的优化 |
| 3.6.3 实时控制分析 |
| 3.7 本章小结 |
| 4 基于双变异算子的免疫规划 |
| 4.1 引言 |
| 4.2 进化规划 |
| 4.2.1 进化规划的组成与特点 |
| 4.2.2 进化规划存在的主要问题 |
| 4.3 基于双变异算子的免疫规划 |
| 4.3.1 算法的基本思想 |
| 4.3.2 双变异算子 |
| 4.3.3 基于浓度的q竞争策略 |
| 4.3.4 记忆保护策略 |
| 4.3.5 弱小保护策略 |
| 4.3.6 算法的步骤 |
| 4.4 算法的理论分析 |
| 4.4.1 算法的性能分析 |
| 4.4.2 算法的收敛性 |
| 4.4.3 计算复杂度分析 |
| 4.5 标准函数的仿真试验 |
| 4.6 主要参数对算法的影响 |
| 4.7 本章小结 |
| 5 基于双变异算子的免疫网络算法 |
| 5.1 引言 |
| 5.2 多峰优化 |
| 5.2.1 多峰优化问题 |
| 5.2.2 多峰优化算法的研究 |
| 5.3 生物免疫系统的两个重要学说 |
| 5.3.1 克隆选择学说 |
| 5.3.2 免疫网络调节学说 |
| 5.4 基于双变异算子的免疫网络算法 |
| 5.4.1 算法的基本思想 |
| 5.4.2 双变异算子 |
| 5.4.3 克隆抑制 |
| 5.4.4 网络的动态平衡 |
| 5.4.5 算法的步骤 |
| 5.5 算法的理论分析 |
| 5.5.1 算法的收敛性 |
| 5.5.2 计算复杂度分析 |
| 5.6 仿真实验 |
| 5.6.1 典型多峰函数优化 |
| 5.6.2 结果分析 |
| 5.7 主要参数对算法的影响 |
| 5.8 本章小结 |
| 6 免疫粒子群算法及应用 |
| 6.1 引言 |
| 6.2 粒子群算法 |
| 6.2.1 PSO基本原理 |
| 6.2.2 算法流程 |
| 6.2.3 两种标准粒子群优化算法 |
| 6.2.4 PSO的局限性 |
| 6.3 用于多峰函数优化的免疫粒子群网络算法 |
| 6.3.1 算法的基本思想 |
| 6.3.2 改进的粒子群优化 |
| 6.3.3 粒子群的网络抑制 |
| 6.3.4 网络的动态平衡 |
| 6.3.5 算法的步骤 |
| 6.4 仿真实验 |
| 6.4.1 典型多峰函数优化 |
| 6.4.2 结果分析 |
| 6.5 无线传感器的覆盖问题 |
| 6.5.1 覆盖涉及的基本概念 |
| 6.5.2 简单覆盖模型 |
| 6.6 无线传感器网络的覆盖控制优化策略 |
| 6.6.1 平面覆盖模型的描述 |
| 6.6.2 基于免疫粒子群算法的覆盖优化机制 |
| 6.6.3 仿真实验 |
| 6.7 小结 |
| 7 结束语 |
| 7.1 本文主要研究成果 |
| 7.2 需进一步研究的问题 |
| 致谢 |
| 攻读博士学位期间论文发表 |
| 参考文献 |
（9）遗传算法的收敛性研究（论文提纲范文）
| 1 一般收敛性定义 |
| 2 遗传算法的马尔可夫链模型 |
| 2.1 有限马尔可夫链 |
| 2.2 齐次马氏链 |
| 3 GA的收敛性分析 |
| 4 全局收敛与过早收敛 |
| 4.1 初始群体的影响。 |
| 4.2 遗传算子的影响。 |
| 4.3 参数设置对收敛的影响。 |
| 4.4待求问题的特点对遗传算法的收敛性有重要影响。 |
| 4.5 编码的影响。 |
| 5 结束语 |
（10）基于建筑块迁移策略的并行遗传算法（论文提纲范文）
| 1 相关理论 |
| 1.1 建筑模块理论[ 4] |
| 1.2 模拟退火算法[ 5] |
| 2 基于建筑块迁移策略的并行遗传算法 |
| 2.1 建筑块算子 |
| 2.2 算法描述 |
| 3 模式收敛性分析 |
| 3.1 马尔柯夫链模型 |
| 3.2 收敛性分析 |
| 4 通信代价 |
| 5 实验分析结果 |
| 6 结束语 |
四、遗传算法全局收敛性的齐次有限马尔柯夫链分析（论文参考文献）
- [1]基于程序性细胞死亡进化算法的车辆路径规划研究[D]. 张晓. 河北工业大学, 2018(07)
- [2]基于状态空间模型进化算法的全局收敛性分析[J]. 王鼎湘,李茂军,李雪,成立. 计算机应用, 2014(10)
- [3]依概率收敛差分演化算法的理论与算法设计[D]. 胡中波. 武汉理工大学, 2014(04)
- [4]第四方物流配送车辆路径优化研究[D]. 王甜甜. 南京林业大学, 2013(02)
- [5]基于物种进化的遗传算法研究[D]. 袁丽华. 南京航空航天大学, 2009(07)
- [6]一种基于育种思想的全局优化算法—原理、性能及应用[D]. 郑小平. 大连理工大学, 2008(04)
- [7]用改进遗传算法和径向基函数网络预测蛋白质二级结构[D]. 王比翼. 暨南大学, 2008(03)
- [8]基于免疫的智能优化算法理论及应用研究[D]. 薛文涛. 南京理工大学, 2008(12)
- [9]遗传算法的收敛性研究[J]. 屠昂燕,陈建成. 湖北第二师范学院学报, 2008(02)
- [10]基于建筑块迁移策略的并行遗传算法[J]. 祝希路,李智勇,袁健,李哲. 计算机应用研究, 2008(02)