遗传算法和改进遗传算法程序。不用工具箱的。

针对电力系统经济负荷分配问题,分析了遗传算法与传统数学优化方法的不同优势与特性,提出一种求解电力系统经济负荷分配问题的改进遗传算法.利用极大熵理论将经济负荷分配问题转化为可微问题,将BFGS法引入遗传算法,提出了BFGS 算子,以提高遗传算法的寻优速度与局部搜索能力.同时,应用单纯形交叉算子将种群逐步向最优点进行引导,实现算法的快速寻优.实例研究结果验证了所提出方法的有效性.

支持向量机是一种在统计学习理论的基础上发展而来的机器学习方法[1]，通过学习类别之间分界面附近的精确信息,可以自动寻找那些对分类有较好区分能力的支持向量,由此构造出的分类器可以使类与类之间的间隔最大化,因而有较好的泛化性能和较高的分类准确率。由于支持向量机具有小样本、非线性、高维数、避免局部最小点以及过学习现象等优点，所以被广泛运用于故障诊断、图像识别、回归预测等领域。

为研究求解常微分方程的近似解问题,采用理论分析和实例分析的方法,将常微分方程的求近似解问题转化为遗传算法的函数优化问题,借助Matlab遗传算法工具箱实现对常微分方程的求解,并以室内温度摆动问题进行实例分析.研究结果表明:常微分方程的求解问题可以转化为最优化问题,进而将遗传算法应用于求解该最优化问题,最终完成了对常微分方程的求解,同时验证了该算法的有效性与准确性.研究结论拓宽了遗传算法的适用范围,并为常微分方程的求解问题提供了新的理论空间.

BP网络作为人工神经网络的重要分支，已经广泛应用于手写数字识别。然而BP神经网络存在训练时间长、易陷入局部最小的问题。为了克服这些问题，提出了一种改进的遗传算法，并用该算法来优化神经网络的权值和阈值。最后，利用基于该算法的神经网络对大量USPS手写数字样本集进行训练。实验结果表明，该算法比单纯的BP算法具有更快的识别速率。

【TSP问题】基于改进遗传算法求解旅行商问题matlab源码.zip

基于一类改进遗传算法的进化神经网络研究.pdf 基于遗传算法的人工神经网络优化设计.pdf 基于遗传神经网络的股票价格短期预测.pdf

为了更为有效地识别语音信号中的情感类型，提出一种改进遗传算法优化 BP 神经网络的识别算法 ( IAGA-BP) 。该算法一方面改进了自适应遗传算法中的选择算子，另一方面更改了自适应遗传算法中的交叉和 变异概率公式。通过对自适应遗传算法的改进，提升了遗传算法的寻优性能，并以此对 BP 神经网络初始的权阈 值进行优化。实验结果表明，在与 BP、 GA-BP 和 AGA-BP 网络的比较中， IAGA-BP 网络能够有效提高语音情感 识别率，并加快了网路收敛速度

针对航空物流领域对路径进行精确计算以降低配送成本的需求，文中对路径的优化方法进行了研究。通过建模分析，将该问题被抽象为数学中的枢纽位置问题（HLP），然后使用遗传算法进行求解。为了解决大规模的复杂HLP，文中对传统的遗传算法进行了改进，将单一种群的遗传算法扩展成双种群模式。通过为两个种群设置不同的进化参数，从而保证最终胜出的个体具备更优秀的搜索能力。此外，为防止遗传个体在搜索时陷入局部最优解，还引入了模拟退火算法中Metropolis准则。为了衡量改进后的算法性能（I-SGA），文中基于航空公司的实际航线和15个大中城市机场的实际规模等相关数据进行了仿真测试。仿真结果表明，I-SGA的目标函数最优收敛值为1.234 e+12，平均收敛值为1.100 e+12；而SGA的最优收敛值为1.201 e+12，平均收敛值为1.021 e+12，所提算法的效果和效率均有明显的提升。

针对旅行商问题(TSP)优化中,遗传算法(GA)容易陷入局部最优、模拟退火算法(SA)收敛速度慢的问题,提出一种基于改进遗传模拟退火算法(IGSAA)的TSP优化算法.首先根据优化目标建立数学模型;然后对遗传算法部分中的适应度函数、交叉变异算子进行改进,使算法能够更加有效地避免陷入局部最优;最后根据旧种群和新种群每个对应个体的进化程度提出一种改进自适应的Metropolis准则,使模拟退火算法部分的染色体跳变更具有自适应性,利于算法寻优.对不同TSP实例的实验结果表明,与其他路径优化算法优化结果相比,所提出的IGSAA算法能够对不同TSP实例优化得到更优的旅行路径.