基于遗传算法的谷氨酸发酵动力学参数估计

把遗传算法应用于求解谷氨酸分批发酵动力学模型参数,取交叉概率Pc=0．8、变异概率Pm=0．06、初始种群为20、遗传世代数为200代,能进一步提高谷氨酸分批发酵过程状态变量的计算值与实验值的吻合程度。模拟值与实验值对比显示,该动力学模型能很好地反映谷氨酸分批发酵过程。     

L-缬氨酸发酵培养基的神经网络建模与遗传算法优化

运用神经网络对L-缬氨酸发酵培养基组成进行建模,在神经网络模型的基础上采用遗传算法对培养基组成进行优化,得到最佳发酵培养基组成.结果表明,运用神经网络并结合遗传算法是一种行之有效的优化方法.按最佳发酵培养基组成进行发酵实验64h,可在发酵液中积累L-缬氨酸28.5g/L.     

改进GA-SVM在冠状动脉疾病诊断中的应用

改进的遗传算法（GA）自动优化支持向量机（SVM）参数,同步决策最优特征子集。新颖的分组多基因交叉技术保留了基因小组中的信息,而且允许后代继承更多的来自染色体的遗传信息。该算法促进可行解集中的高质量染色体信息交换,提高了解空间的搜索能力。实验结果说明：改进GA-SVM不仅可决策出与疾病相关的重要特征变量、优化SVM参数,而且可提升分类性能。与前馈BP神经网络及自适应模糊推理系统两种学习算法的比较表明,改进GA-SVM具有更好地表现。     

基于遗传算法的基因芯片图像网格定位

对基因芯片荧光图像进行网格定位是进行芯片分析的前提与关键。利用为形模板匹配方法,基因芯片的自动网格定位问题转化为优化问题,从而用遗传算法求解。遗传算法是一种模拟自然界进化过程的启发式优化计算法,具高效及可收敛到全局最优的特点。实验证明该方法具有良好的准确性与可靠性。     

人工神经网络与遗传算法相结合在作物估产中的应用——以吉林省米估产为例

在遗传算法（Genetic Algorithm）与误差反传（Back Propagation）网络结构模型相结合的基础上,设计了用遗传算法训练神经网络权重的新方法,并对吉林省梨树和德惠县的玉米进行了估产研究,同时与BP算法和灰色系统理论模型进行了比较。经经验,计算值与实际值拉近,并优于灰色理论模型,具有良好的预测效果,从而为农作物估产提供了新方法。     

基于实码遗传算法的湖泊水质模型参数优化

参数的合理取值决定着模型的模拟效果,因此确定研究区域的模型结构后,需要对模型的参数进行优化.湖泊水质模型(Simulation by means of an Analytical Lake Model,SALMO)利用常微分方程描述湖泊的营养物质循环和食物链动态,考虑了多个生态过程,包含104个参数.由于参数较多,不适宜采用传统参数优化方法进行优化.利用太湖梅梁湾2005年数据,采用实码遗传算法优化了SALMO模型中相对敏感的参数,运用优化后的模型,模拟了梅梁湾2006年的水质.对比分析参数优化前后模型的效果表明遗传算法能高效地对SALMO进行参数优化,优化后的模拟精度得到了显著提高,能更好地模拟梅梁湾的水质变化.     

使用伪氨基酸组成和模糊支持向量机预测蛋白质结构类

蛋白质结构类预测是生物信息和蛋白质科学中重要的研究领域.基于Chou提出的伪氨基酸离散模型框架,从蛋白质序列出发,设计一种新的伪氨基酸组成方法表示蛋白质序列样本.抽取氨基酸组合(10-D)在序列中出现的频率和疏水氨基酸模式(6-D)表示蛋白质序列的附加特征,用和传统的氨基酸组成(20-D)一起构成的36维的伪氨基酸组成向量来表示蛋白质序列的特征.使用遗传算法来优化附加特征的权重系数.伪氨基酸组成向量作为输入数据,模糊支持向量机作为预测工具.使用三个常用的标准数据集来验证算法的性能.Jack-knife检验结果说明本方法具有较高的准确率,有望成为潜在的预测蛋白质功能的工具.     

基于遗传算法的土地利用优化：NSGA-Ⅱ和NSGA-Ⅲ的对比研究

土地利用优化通常要兼顾不同群体的多种要求,理论上是复杂的超多目标(4个及以上)优化问题。但实际操作中却往往被简化为多目标(2—3个)优化问题,通过一种流行的多目标优化算法第Ⅱ代非支配排序遗传算法(NSGA-Ⅱ)求解。究其原因是对超多目标优化算法认知的缺失和与多目标优化算法理论对比的匮乏。对NSGA系列中应用最广泛的多目标优化算法NSGA-Ⅱ和最新提出、面向超多目标优化的算法NSGA-Ⅲ进行探究,从理论和实验两方面对Ⅲ和Ⅱ进行对比,从而探究二者进行土地利用优化时的优劣。在理论上,对比两种算法原理的异同。在实验中,分别设计多目标(3个目标)和超多目标(13个目标)土地利用优化问题,利用两种算法进行求解。对实验结果采用四层架构、六大指标进行全面评价,以对比两种算法的可用性。理论对比发现,两个算法只有种群多样性保护的方法不同,其中NSGA-Ⅲ是基于与固定的参考点的距离,而NSGA-Ⅱ则是基于相邻解间的距离。通过实验对比发现,NSGA-Ⅲ在超多目标优化时运算速度快,且产生的最优方案实用价值更高,NSGA-Ⅱ在算法的有效性方面更有优势。     

退火遗传算法及其应用

将模拟退火方法引入遗传算法中,对非线形问题进行优化。该算法克服了ＳＧＡｓｒ 的过早收敛的问题,并解决了染色体样性要求。最后将该算法应用于解决水资源优化分配的问题中,优化结果同样具备上述特点。