1) integrated operator genetic algorithm
集成算子遗传算法
1.
An integrated operator genetic algorithm (IOGA) and its process are described.
提出了集成算子遗传算法,并给出了其具体实现。
2) integrated genetic algorithm
集成遗传算法
1.
Laser bending process optimization of sheet metal based on integrated genetic algorithm
集成遗传算法下板料激光弯曲成形工艺优化
3) good-point set genetic algorithm(GGA)
佳点集遗传算法
1.
The architecture includes the upper ceiling knowledge space based on good-point set genetic algorithm(GGA),the bottom ceiling population space based on discrete particle swarm optimization(DPSO),the top-down influence mechanism and the bottom-up acceptance mechanism,to realize heterogeneous population interaction.
它包括基于佳点集遗传算法的上层知识空间、基于离散粒子群优化的底层主群空间、自上而下的影响机制和自下而上的接受机制,以实现异质种群交互;通过预留用户评价接口,实现了算法的人机交互。
4) growth genetic algorithm
成长遗传算法
1.
By emulating the process of growth in nature and using growth operator, a growth genetic algorithm (GGA) is proposed to overcome the drawbacks of simple GA (SGA) such as slow optimization speed and weak local search ability.
模拟生物界成长发育过程,加入成长算子对遗传算法框架进行改进,形成新的算法框架-成长遗传算法(growth GA)。
5) quantum genetic algorithm
量子遗传算法
1.
Converse solution of oil recovery ratio based on process neural network and quantum genetic algorithm;
基于过程神经网络和量子遗传算法的油藏采收率参量逆向求解
2.
A method of infrared image segmentation based on quantum genetic algorithm;
一种基于量子遗传算法的红外图像分割方法
3.
Active noise control method based on a new quantum genetic algorithm;
基于改进量子遗传算法的有源噪声控制方法
6) genetic quantum algorithm
遗传量子算法
1.
Multiuser detection based on a clonal genetic quantum algorithm;
基于克隆遗传量子算法的多用户检测
2.
Brief Analysis Contrast Between Genetic Quantum Algorithm and Genetic Algorithms in Resolving Extremal Problem of the Function;
浅析遗传量子算法与遗传算法在函数极值问题中的比较法
3.
the Application of Genetic Quantum Algorithm on Under-constraint and Over-constraint of Geometric Constraint Solving;
遗传量子算法在欠约束和过约束的几何约束求解问题中的应用
补充资料：数值遗传算法
分子式：
CAS号：
性质：基于自然界生物进化机制的一种全局最优化方法。在遗传算法中，被研究体系的响应曲面看作为一个群体，响应曲面上的每一个点作为群体中的一个个体，个体用多维向量或矩阵来描述，组成矩阵的和向量的参数(元素)相应于生物中组成染色体的基因。染色体用固定长度的二进制位串(bit string)表示。通过交换(染色体基因交换)、突变(改变染色体基因)等遗传操作，在参数的一定范围内进行随机搜索，不断改善数据结构，构造出不同的向量，相当于得到了被研究问题的不同的解(一个个体相当于一个解)。目标函数较优的点被保留，较差的点被淘汰，最后达到全局最优化。
CAS号：
性质：基于自然界生物进化机制的一种全局最优化方法。在遗传算法中，被研究体系的响应曲面看作为一个群体，响应曲面上的每一个点作为群体中的一个个体，个体用多维向量或矩阵来描述，组成矩阵的和向量的参数(元素)相应于生物中组成染色体的基因。染色体用固定长度的二进制位串(bit string)表示。通过交换(染色体基因交换)、突变(改变染色体基因)等遗传操作，在参数的一定范围内进行随机搜索，不断改善数据结构，构造出不同的向量，相当于得到了被研究问题的不同的解(一个个体相当于一个解)。目标函数较优的点被保留，较差的点被淘汰，最后达到全局最优化。
说明：补充资料仅用于学习参考，请勿用于其它任何用途。
参考词条