本课题牵涉神经网络和遗传算法。两者都是当今广泛应用的智能算法。两者有共同点也有不同点，有各自的优点和缺点。人们也尝试将两者结合，实现互补。在结合过程中最常见的便是用遗传算法作为训练神经网络的算法。众所周知，神经网络的经典算法一直难以克服陷入局部极小点的缺点，而遗传算法的随机特征能一定程度克服这个缺点。本文另辟蹊径，将神经网络应用于遗传算法中。适应度函数作为遗传算法的重要组成部分，通常是事先确定的。比如在用遗传算法搜索函数最小点时，函数本身就是天然的适应度函数。但是认真想一想，把这个函数作为适应度函数其实也并不完全好。函数值的大小并不一定反应该点是否接近最小值，或者保留它有利于搜索最小值。本文利用神经网络来训练适应度函数，避免适应度函数对遗传算法中单个“染色体”或“物种”做出过于严格的判断。此外，适应度函数如果太复杂会使计算负担加重，而神经网络一般只涉及简单得计算，故而可以提高效率。 如果该方法能够成功，那么我们不仅提供了一种新的优化方法，而且能更加真实地反应物种进化的过程。对生物学研究也会有启发。

用遗传算法解决或问题，通过训练实例，使算法学习或运算，给出较精确的输出结果。

信号分解是信号处理理论的一个基础问题，MP分解信号的算法是基于在过完备原子库上分解的思想，开创了信号稀疏分解这一信号分析的新方向。而这里又基于遗传算法来优化MP信号分解算法，整体的效果表现比较好！

matlab开发-具有遗传算法的2个区域的UPFC控制器设计。因德拉尼尔·萨基

利用模拟退火算法和遗传算法进行矩形算法排样优化

数独 解决数独谜题的遗传算法

遗传算法Matlab代码，含详细注释，适合初学者

遗传算法解决最短路径问题的matlab程序，并加以注释。 遗传算法解决最短路径问题的matlab程序，并加以注释。

目录 进化俄罗斯方块 该AI使用进化技术来随着时间的推移而改进。 通过选择，交叉和变异，AI将学会以尽可能少的动作来平息。 致谢 演示版 遗传算法 遗传算法通过创建具有多个“基因”的“基因组”种群来工作，这些“基因组”代表算法的参数。 对种群中的这些个体中的每一个进行评估，并为每个基因组产生一个“适应性”评分。 优胜劣汰的个体将繁殖并将有利的基因传给下一代。 在基因被随机修饰以产生更多有益特征的地方也会发生突变。 这种泛型算法的目标是清除尽可能多的行，因此，要进行尽可能多的移动并选择得分最高的最佳移动。 为此，AI将通过尝试所有可能的旋转和平移来为给定的零件选择最佳移动。 它为每个可能的动作计算一个分数，并选择得分最高的一个作为其下一动作。 每次移动的得分都是通过评估移动将导致的网格来计算的。此评估基于4种启发式方法：聚合高度，完整线条，空洞和颠簸，AI将尝试最小化或最大化。 其

（转）用遗传算法GA 来实现图像配准，基于互信息进行适应度判断