1) GMGA(gradient modified genetic algorithm)
GMGA(梯度改进的遗传算法)
2) DGMGA (discrete gradient modified genetic algorithm)
DGMGA(离散的梯度改进遗传算法)
3) improved genetic algorithms
改进的遗传算法
1.
In this paper, the simple genetic algorithms are improved, the numerical model of electromagnetic wave with simple hole is reproducted to holographic image by using the improved genetic algorithms( IGAs).
对基本遗传算法进行了改进,并运用改进的遗传算法对单孔电磁波法的数值模型进行了全息重现,计算结果与实际模型非常接近,表明改进的遗传算法能够很好地解决反演问题,同时也说明改进的遗传算法在反演问题中有着非常广阔的应用前景。
2.
A new approach based on the detected position and the improved genetic algorithms is developed,namely the two stage method.
第一阶段:应用静应变残差进行损伤定位;第二阶段:基于已经识别出的损伤位置,利用改进的遗传算法进行损伤程度的标定。
4) Improved Genetic Algorithm
改进的遗传算法
1.
Based on the non-circular failure surface analysis method for the calculation of integral stability of slope,an improved genetic algorithm is presented;it can freely search for the most dangerous failure surface of slope and corresponding minimum safety factor without supposing the geometric shape of the most dangerous failure surface.
以边坡稳定性计算的非圆弧滑动面条分法为基础,提出一种改进的遗传算法。
2.
An improved genetic algorithm (IGA) is put forward, which could adjust control parameters dynam- ically and improve the best solution and convergence speed.
提出了一种改进的遗传算法。
3.
The improved genetic algorithm has better feature of global minimum.
利用改进的遗传算法确定组合预测模型的权系数，然后进行负荷预测。
5) Improved decimal strings genetic algorithm
改进的十进制遗传算法
6) improved parallel genetic algorithm
改进的并行遗传算法
1.
In order to improve performances of computer communication networks and to decrease their operational costs, the problem of capacity and flow assignments in computer networks is optimized by using an improved parallel genetic algorithm.
为了改进计算机通信网络的性能并降低其运营费用,采用改进的并行遗传算法,对计算机网络中容量与流量分配问题进行了优化,比较了不同算法所得到的网络运营费用。
2.
In order to improve performances of computer networks, an improved parallel genetic algorithm is presented.
为了改进计算机网络的性能 ,提出了一种改进的并行遗传算法 ,采用多群体并行进化与自适应地改变遗传参数 ,对计算机网络中路由选择问题进行了优化 ,比较了不同算法所得到的链路利用率及网络的平均时延 。
补充资料：数值遗传算法
分子式：
CAS号：
性质：基于自然界生物进化机制的一种全局最优化方法。在遗传算法中，被研究体系的响应曲面看作为一个群体，响应曲面上的每一个点作为群体中的一个个体，个体用多维向量或矩阵来描述，组成矩阵的和向量的参数(元素)相应于生物中组成染色体的基因。染色体用固定长度的二进制位串(bit string)表示。通过交换(染色体基因交换)、突变(改变染色体基因)等遗传操作，在参数的一定范围内进行随机搜索，不断改善数据结构，构造出不同的向量，相当于得到了被研究问题的不同的解(一个个体相当于一个解)。目标函数较优的点被保留，较差的点被淘汰，最后达到全局最优化。
CAS号：
性质：基于自然界生物进化机制的一种全局最优化方法。在遗传算法中，被研究体系的响应曲面看作为一个群体，响应曲面上的每一个点作为群体中的一个个体，个体用多维向量或矩阵来描述，组成矩阵的和向量的参数(元素)相应于生物中组成染色体的基因。染色体用固定长度的二进制位串(bit string)表示。通过交换(染色体基因交换)、突变(改变染色体基因)等遗传操作，在参数的一定范围内进行随机搜索，不断改善数据结构，构造出不同的向量，相当于得到了被研究问题的不同的解(一个个体相当于一个解)。目标函数较优的点被保留，较差的点被淘汰，最后达到全局最优化。
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