遗传算法中适应度函数的研究

用遗传算法求解任意一元函数在任意区间的最大值，遗传算法采用二进制编码形式，如果稍加修改就可以求任意元的函数，可以自由设定变异概率，杂交概率，遗传代数很强大的遗传算法应用

实数编码、算术交叉、非均匀变异、最好种群选择

NoC映射是NoC设计中的重要步骤，映射结果的优劣对NoC的QoS约束和通信功耗有着很大的影响。提出一种采用云自适应遗传算法实现NoC映射的方案，该算法利用云模型对传统遗传算法加以改进，以此新方法自动

针对传统遗传算法易于陷入局部最优解，性能不稳定的问题，提出了一种基于协同进化的自适应遗传算法（CEAGA）。在协同进化的两层框架模型的基础上，引入一个自适应的变异策略，改进了协同进化遗传算法中的局部进

为了解决单一神经网络模型很难满足股票预测建模要求的问题，提出一种基于遗传算法的粗糙集属性约简方法和神经网络相结合的预测模型。在该模型中，改进了自适应性遗传算法的交叉算子与变异算子。基于该遗传算法的粗糙

matlab遗传算法工具箱函数及实例讲解遗传算法讲解PPT遗传算法程序

对遗传算法中的编码机制进行了研究,分析了二进制与十进制编码在搜索能力和保 持种群稳定性上的区别.得出的结论是在种群数目相同的情况下,二进制编码的搜索能力比十进制编码强;但二进制编码对变异操作不能保证种

量子遗传算法，多种群遗传，多宇宙，量子计算及表示，量子旋转门，量子变异，适应度函数，最优解的选择

新兴的量子计算与传统的智能计算方法完美结合，实用性很强．

遗传算法（Genetic Algorithm）是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型，是一种通过模拟自然进化过程搜索最优解的方法