遗传算法的自适应代沟的替代策略研究

遗传算法的替代策略对遗传算法的性能具有重要意义 .提出自适应代沟的替代策略 .仿真表明 ,与现有的其他替代策略相比 ,该方法在不损失解的质量的情况下 。

一个用于前向网络权值学习的改进型遗传算法

在遗传算法 (GA)的基础上引入了梯度算法 ,用它在内层无互联的前向神经网络中代替传统算法来学习和优化权值 ,并对算法的几个主要模块进行了描述 .利用GA的突变性和全局最优性搜索可能的极值 ,用自适应代沟替代策略更好地进行优胜劣汰 ,利用梯度下降算法在较优极值点附近快速收敛 .实验表明 ,这种算法的收敛速度比基本遗传算法要快得多 。

运用改进遗传算法的输电网规划

遗传算法对许多问题是有效的 ,但普通遗传算法只能保证全局最优解的出现而不能保证每次都收敛于全局最优解 ,其原因是在搜索过程中出现的全局最优解不能保留下来 .针对这一问题 ,本文将改进自适应代沟方式的遗传算法用于输电网规划中 ,一方面保证了计算结果有多个解可供选择 ;另一方面加快了搜索速度 ,提高了搜索性能 .