自动区域划分的分区域搜索狭义遗传算法

用数学方法难以解决函数优化中的区域划分问题 .为此 ,提出了用狭义遗传算法实现区域划分的方法 .实现了基于自动区域划分的分区域搜索的狭义遗传算法 ,阐述了分区域搜索的控制策略 .从理论上分析了基于自动区域划分的分区域搜索的狭义遗传算法是全局收敛的 ,并具有收敛速度快、搜索过程稳定性高、可控制性强、便于并行实现等特点 .最后提出了有待研究的问题 .

分区域搜索的狭义遗传算法

文章提出了分区域搜索的狭义遗传算法，讨论了狭义遗传算法分区域搜索的一些重要性质，并对其控制机理进行了分析。证明了分区域的狭义遗传算法是全局收敛的，并具有收敛速度快，搜索过程稳定性高、可控制性强等特点。最后，提出了有待研究的问题。

狭义遗传算法

该文讨论了狭义遗传算法的一般框架，并对其运行机理进行了分析。由于狭义遗传算法的搜索过程不是一个遍历的Ｍａｒｋｏｖ过程，搜索空间小，Ｎ此它具有收敛速度快，搜索过程稳定性高、可控制性强等特点。最后，提出了有待研究的问题。

基于切面上升的狭义遗传算法

该文提出了基于切平面上升的狭义算法,并对其全局收敛性进行了证明,其终止条件肯定就是收敛点,很好地解决了文献犤6,8犦中所遇到的问题,即能够方便地求解多元函数的优化问题。它具有收敛速度快,搜索过程稳定性好、可控制性强,控制参数易于选定等特点。

基于分布存储的并行狭义遗传算法

讨论了基于分布存储的并行狭义遗传算法,实现了数据级的并行操作,具有较高的并行度。它具有收敛速度快,搜索过程稳定性好、可控制性强,以及通讯开销小等特点。

狭义遗传算法的遗传机理分析

根据狭义遗传算法 (RGA)在区域搜索中的特点 ,讨论了RGA在同一搜索区域上遗传选择操作的封闭性 ,同时讨论了RGA在邻接区域和非邻接区域上遗传交叉算子的一些重要性质 .这些性质确保新群体中个体之间的距离不断缩小 。

基于共享存储的并行狭义遗传算法

遗传算法具有简单、易算且方便分布并行处理等特点,基于这种优势,遗传算法被广泛应用于众多领域范围内,比如机器学习、工业控制等。为解决高难度的非线性及其相关问题,采用基于共享存储的并行狭义遗传算法,可以有效实现对数据级的并行操作,具有较强的并行度,其只需较少的通讯开销就能获得比原先更高的运行效率,至少提高至50%以上。文中详细阐述了基于共享存储的并行狭义遗传算法,仿真实验验证了其正确性和高效性。

基于共享存储的并行RGA的设计与实现

讨论了基于共享存储的并行狭义遗传算法。该算法利用狭义遗传算法与区域搜索法的结合 ,实现了数据级的并行操作 ,具有较高的并行度。它只需要较少的通讯开销 。

数理科学与基础理论

Y2000-62264-8 0015775浮动丝状金属微粒的双极直流电晕放电=Bipolar DCcorona discharge from a floating filamentary metal particle[会,英]/Asano,K.& Hishinuma,R.//1999 IEEEIndustry Applications Meeting,Vol.1.—8～13(PC)Y2000-62264-387 0015776静电过程应用的典型电极配置中的电晕放电开始=Inception of corona discharges in typical electrode config-urations for electrostatic processes applications[会,英]/Rofiroiu,D.& Suarasan,I.//1999 IEEE Industry Ap-plications Meeting,Vol.1.—387～392(PC)Y2000-62264-393