两类图同构的充分必要条件

给出了两类图同构的充分必要条件，结果对研究图的重构猜想有重要意义．     

用矩阵判断无向图同构的几种方法

给出了用无向图的邻接矩阵及关联矩阵判断两个图是否同构的两种新方法。     

图同构判定的新方法

图的同构问题由来已久，并且它的应用十分广泛。例如：确定一个图的自同构群的构造的问题和它有紧密联系；在有机化学上我们可以利用图的同构判定方法来确定同分异构物。因此，寻求图同构的判定方法是一项引人入胜的工作。提出了一个新的判定方法（定理1）可以方便的确定两个图是否同构。此外，还得到了桌一类图的同构判定的一个较强的条件（定理2）。     

无向图同构的充要条件以及判定

通过对两个图邻接矩阵的特征值以及特征向量分析,利用对角化过程中的正交特征向量矩阵的特殊性质,得到了一种新的无向图同构的充要条件,并且由此条件得到同构图之间存在的关系,从而使得判定图的同构更加方便,尤其是在需要找出变换矩阵、判定同谱图时非常有效.     

图同构判定的新方法

图的同构问题由来已久,并且它的应用十分广泛。例如:确定一个图的自同构群的构造的问题和它有紧密联系;在有机化学上我们可以利用图的同构判定方法来确定同分异构物。因此,寻求图同构的判定方法是一项引人入胜的工作。提出了一个新的判定方法(定理1)可以方便的确定两个图是否同构。此外,还得到了某一类图的同构判定的一个较强的条件(定理2)。     

改进的遗传算法及其仿真

从分析标准遗传算法存在的缺陷入手,提出了一种自适应选择交叉概率、变异概率以及交叉位置非等概率选取的改进的遗传算法并予以仿真,在仿真的基础上对标准遗传算法与改进遗传算法进行性能比较．     

遗传算法在神经网络设计中的应用

通过对正被广泛应用的、智能的、并行的全局优化方法—遗传算法的性能分析，并与其它算法比较，阐述了遗传算法在神经网络设计中的优越性.     

一种改进的最优保存人机交互遗传算法

提出一种改进的最优保存的遗传算法IGABP，通过对个体进行局部改进，并且通过提高交叉、变异操作生成最优解的概率．极大的改进了算法的效率．理论分析和实际应用都证明了算法的有效性．     

一种改进的自适应遗传算法

针对传统遗传算法存在的 "早熟"以及在后期搜索效率低的问题,分析了目前常见的几种种群早熟程度的评价指标,提出了一种新的种群"早熟"程度评价指标,并据此实现了一种改进的自适应遗传法算法.仿真结果表明,该算法不仅能加快遗传算法收敛速度,而且还能增强算法的稳定性.     

遗传算法在最优化问题中的应用研究

遗传算法是一类借鉴生物界自然选择和基因遗传学原理的随机搜索算法.本文分析和研究了遗传算法的基本概念和基本要素,阐述了遗传算法的实现原理和实现过程,并将遗传算法应用于求非线性函数最值中,证明了该算法对于解决函数优化问题是最有效的方法之一.     

确定规划最短时间的遗传算法

对遗传算法中新一代的选择使用不同的策略，比较研究了所得结果．同时，对遗传算法与确定最优规划的方法做了比较．     

一种新的模糊遗传算法

将模糊控制思想引入到遗传算法中,进行交叉概率P6和变异概率Pm的整定工作,并在此基础上提出了一种基于模糊控制的遗传算法－模糊遗传算法,仿真结果表明：该算法不仅能提高解的质量,而且能加速解的收敛速度。     

遗传算法在数据内部排序上的应用

用遗传算法进行数据内部排序，可以打破传统排序算法在时间复杂度方面所存在的下限，因为求适值部分可并行处理，对包括适值函数、杂交、变异等在内的一些关键问题进行了研究，尤其就不同适值函数的设计对算法性能等方面的影响进行了对比讨论。     

自适应遗传算法

自适应遗传算法采用自适应的适应度函数、交叉概率及变异概率代替固定的适应度函数、交叉概率及变异概率,与基本遗传算法相比,结果证明改进的遗传算法显著提高了收敛性能,并且具有很强的自适应能力.     

一种改进的自适应遗传算法

在对自适应遗传算法中选择、交叉、变异算子作用分析的基础上,提出一种新的自适应遗传算法,新算法基于实数编码机制,选择操作采用精英选择与轮盘赌相结合,变异和交叉操作采取根据适应度自适应地非线性调整变异和交叉概率的策略,同时提出进化的后期采取先变异后交叉的操作次序.仿真实验表明,新算法有效防止早熟,收敛速度更快,鲁棒性更好且拥有较强的寻优能力.     

邻接矩阵求带权图中最短通路

通过对带权邻接矩阵定义一种运算,计算n阶简单带权图中任意两点之间步长为1,2,…,n -1的最短通路长度,逐步比较,确定通路所过各边权值之和最小的即最短路径。在计算的过程中用矩阵记下最短路径所经过的所有结点,最后验证了其在无向和有向简单带权图中的有效性。     

一种快速寻优的新型改进遗传算法

在现有几种遗传算法(GA)的基础上,对GA中的适应度函数、交叉策略和变异策略做了进一步的设计,从而提出了一种新型改进GA。新型改进GA以群体的多样性与算法的收敛速度、全局与局部搜索能力的综合均衡为设计重点,较好地解决了一般GA收敛速度慢和局部搜索能力差的缺点。仿真结果表明:该算法与常用的标准GA和采用算术交叉算子的实值编码改进GA相比,有更快的收敛速度,更高的收敛精度及全局收敛概率。     

优化网络布置费用的遗传算法

【目的】针对网络布置费用的优化问题,利用基本遗传算法的良好搜索性能,设计出优化网络布置费用问题的遗传算法。【方法】通过分析网络布置费用的优化问题,抽象出网络模型,并将该问题转化为求解无向图中最小生成树的问题。【结果】基于遗传算法基本原理和抽象出的网络模型,设计出一种优化网络布置费用的遗传算法。【结论】应用遗传算法解决网络结构优化问题,可以让用户在短时间里获得一个比较满意的结果。