基于遗传克隆选择算法优化BP神经网络的地理信息预测研究

针对BP神经网络训练过程中的训练时间较长、完全不能训练或容易陷入局部极小值等问题,提出基于遗传克隆选择算法(CLOGA)优化BP神经网络的流程,克服BP算法的一些缺陷。并通过湖北省人口预测问题进行效果检验,得到满意的结果。

克隆选择遗传算法在冲击矿压预测中的应用

针对传统预测冲击矿压方法存在网络训练时间较长、容易陷入局部极小值、容易早熟等问题,提出了采用克隆选择遗传算法预测冲击矿压的方法,详细介绍了克隆选择遗传算法优化BP神经网络权值和阈值的基本步骤,并利用Matlab7.1在PC机上建立网络模型进行仿真实验,仿真结果表明,该方法有效提高了冲击矿压预测的准确性。

基于量子遗传克隆挖掘的Web搜索策略

随着互联网的迅速发展,网络规模不断扩大,信息储量急剧增长,Web搜索引擎技术越来越得到广泛地应用。针对用户越来越难以迅速精确地检索到所需信息的现状,提出一种应用于Web搜索的量子遗传克隆选择算法。该算法通过克隆、高斯变异以及量子交叉等操作对可行解进行搜索,提高了算法的全局寻优能力。通过实验结果分析得出,在Web搜索中该算法比传统的搜索方法具有更明显的优势。

基于克隆选择的混合遗传算法在碳纳米管结构优化中的研究

针对分子动力学模拟中碳纳米管的结构优化问题,提出了一种新的优化算法.新的优化算法在遗传算法的基础上,引入了克隆选择机理和模拟退火技术.对五个典型函数的优化测试结果表明,该算法搜索过程稳定性好,可较好地实现全局最优.将其应用于碳纳米管原子结构优化,加快了能量优化速度,提高了优化质量.模拟结果说明,混合遗传算法的优化时间随原子数增加而呈线性增长.在碳纳米管原子数较多时,结构优化时间比共轭梯度法降低一个数量级左右,大大降低了系统的模拟时间.