二进制遗传算法的改进研究

　　遗传算法是智能优化算法中比较重要方法之一，是一种基于自然选择和基因遗传学原理的全局优化算法。具有群体搜索特性，对优化目标函数无要求，仅用适应度函数来评价个体优劣。遗传算法自诞生开始，人们就对其进行了研究，随着其理论的发展和应用的广泛，人们对遗传算法提出了种种改进方案，这些改进方法在一定程度上提高了算法的性能，但仍有一些不足有待进一步改进、完善、发展和充实。《二进制遗传算法的改进研究》采用先进行理论分析，然后用计算机仿真验证理论分析的正确性，最后将正确的理论应用于实际优化问题的研究方法，以此增强遗传算法的理论性和适用性，希望《二进制遗传算法的改进研究》对于遗传算法的发展及应用能具有很好的理论指导意义与应用价值，并可以较好地推动遗传算法的完善和发展。取得的主要研究成果如下。

暂缺《二进制遗传算法的改进研究》作者简介

1 引言
1．1 研究目的与意义
1．2 国内外研究现状
1．2．1 遗传算法的研究现状
1．2．2 二进制遗传算法的研究现状
1．3 研究的主要内容、方法和技术路线
1．3．1 研究内容
1．3．2 研究方法和技术路线
2 遗传算法的基本原理与操作
2．1 遗传算法的基本用语
2．2 遗传算法的数学模型和基本原理
2．2．1 遗传算法的数学模型
2．2．2 遗传算法的基本原理
2．3 编码方法
2．4 初始化种群
2．5 适应度函数
2．6 选择操作
2．7 交叉操作
2．8 变异操作
2．9 停机条件
2．1 0 本章小结
3 遗传算法的理论基础
3．1 相关概念及定义
3．2 模式定理
3．2．1 选择对模式的影响
3．2．2 交叉对模式的影响
3．2．3 变异对模式的影响
3．3 积木块假设
3．4 本章小结
4 遗传算法的改进研究
4．1 码长的确定和编码
4．2 初始种群的产生
4．3 个体适应度函数设计
4．3．1 两种基于序的适应度函数计算方法与模型
4．3．2 两种基于序的适应度函数模型的比较
4．4 进化策略的改进
4．4．1 基本遗传算法的进化策略
4．4．2 传统遗传算法的进化策略
4．4．3 改进遗传算法的进化策略
4．5 改进进化策略GA的测试与分析
4．5．1 测试函数与参数选择
4．5．2 测试结果与分析
4．6 本章小结
5 多子代遗传算法研究
5．1 多子代遗传算法的生物学原理
5．2 单点交叉多子代遗传算法
5．2．1 单点交叉多子代遗传算法的产生方法
5．2．2 单点交叉多子代种内竞争操作
5．2．3 单点交叉多子代遗传算法的进化策略
5．2．4 单点交叉多子代遗传算法的测试与分析
5．3 两点交叉多子代遗传算法
5．3．1 两点交叉多子代遗传算法的产生方法
5．3．2 两点交叉多子代遗传算法的测试与分析
5．4 多子代遗传算法
5．4．1 多子代遗传算法的产生方法
5．4．2 多子代遗传算法的测试与分析
5．5 本章小结
6 区间自适应遗传算法研究
6．1 区间自适应遗传算法的基本思路
6．2 自适应移动搜索区间方法
6．3 区间自适应遗传算法的进化策略
6．4 算法的收敛性分析
6．5 本章小结
7 综合应用实例
7．1 函数优化中的应用
7．1．1 函数优化问题的描述
7．1．2 无约束函数优化问题
7．1．3 有约束函数优化问题
7．2 神经网络权值与阈值的优化问题
7．2．1 BP算法描述
7．2．2 IAGA优化BP神经网络权值和阈值思想
7．2．3 IAGA优化BP神经网络权值和阈值算法描述
7．2．4 基于BP神经网络的联合收获机惯性分离室工艺参数优化实验
7．3 种植业结构优化与资源最佳分配问题
7．3．1 种植业结构优化与资源分配的数学模型
7．3．2 种植业结构优化与资源分配模型的实例计算
7．3．3 仿真参数及模型求解
7．4 基于马尔可夫模型的东北三省产业结构预测
7．4．1 马尔可夫预测模型
7．4．2 东北三省产业结构的预测
7．5 本章小结
8 结论
参考文献
附录