采用二叉树编码的遗传算法实现数据似合

针对采用数值分析方法进行数据似合求解复杂度高、运算最大而精度较低的缺陷，本给出一种基于二叉树编码的遗传算法来进行数据拟合，取得了较好的效果。     

基于实数编码的免疫遗传算法研究

针对标准遗传算法(SGA)搜索效率低、收敛速度慢等缺陷，在免疫遗传算法的基础上提出了基于实数编码的免疫遗传算法(RIGA)。研究表明，RIGA对SGA的改进是有效可行的，显示出稳健的全局优化、计算量少而解的精度高等特点，具有较高的应用价值。     

基于二叉树的遗传算法求解设施平面布局优化

针对设施布局优化问题,使用二叉树的顺序遍历结构,结合设施顺序、相互关系及位置等因素形成新的染色体编码形式.以设施相邻性和随机原则相结合产生初始解,针对染色体的三段编码分别进行遗传操作,运用动态原则和反馈机制改进算法的惩罚函数.通过典型案例验算表明,本论文提出的算法在寻优效果和执行效率上有一定地改善.     

Archimedean Copula数据拟合

给出了选择较优Archimedean Copula相依结构的一般过程,并结合中国股市的实际数据作了分析,通过不同的标准得到了拟合深圳成份A股与深圳成份B股指数的较好的Archimedean Copula,而且还发现利用Copula刻画相依结构比传统的线性相关系数具有更多的优越性.     

医学数据的模型拟合与探索性分析

探索性数据分析是和确定性教据分析（统计推断）相辅相成的两大类统计分析方法。本文通过用统计软件包ＳＰＬＭ对医学数据拟合模型的实例，说明了探索性数据分析的基本思想和方法以及它在医学研究中的应用价值。     

求解线性模型稳健参数估计的整数编码遗传算法

线性模型回归系数的一些稳健估计如LMS、LQS、LTS、LTA的应用越来越广泛,然而它们的精确计算依赖于NP难题,在遇到高维大规模数据集时不可能在较短时间内得到精确解.为尽快得到较高精度的近似解,提出了求解线性模型的稳健参数估计的整数编码遗传算法,通过计算机模拟试验验证了算法可以更快地找出全局最优解.     

变换数据对线性模型拟合值的影响

一、引言考虑线性回归模型其中Y是n维观测向量,X是n×p阶段设计矩阵,且其秩为R(X)=p,β为p维未知参数向量,e为n维随机误差向量、对于模型(1.1),β的最小二乘估计(The Least Squares Estimate,以下简记为LS估计)     

多元散乱数据二步拟合法及其误差估计

多元数据曲面拟合的早期结果,主要在研究格子点的插值问题上,其方法是张量积插值或利用再生核希氏空间理论给出解的构造。[1]系统地总结了1976年以前的研究概况,[2]则为全平面上的薄板样条是一元样条到多元样条非张量积形式的推广。它是基于再生核的明显表示,但对一般的泛函来说,要得到再生核通常是很困难的。最近,[4]避开这一实质性困难,利用Lagrange恒等式,Euler方程及最优插值的特征定理给出了一     

数据拟合函数的最小二乘积分法

数据拟合的方法很多,每种方法各有特点.本文探讨了积分准则下的数据拟合函数的方法,称为最小二乘积分法,并给出了两个常用拟合函数具体形式.     

拟合模糊观测数据的线性回归模型

本文讨论了实验观测数据为一般模糊数的线性最优拟合问题，通过定义模糊数空间中的距离，建立了模糊数空间到模糊数空间的回归模型，证明了最小二乘问题的解与其正则方程组的解的一致性，进而由正则方程组导出了问题的显式解。本模型的计算简便，具有实用价值。     

基于一类新的胞腔排除遗传算法求解迭代函数系逆问题

提出求解迭代函数系（IFS）逆问题的一类有效遗传算法,该算法基于新发展的可拼接/可分解编码,并结合使用胞腔排除技巧,对于典型图像的应用表明;该方法可有效应用于基于矩匹配表示的IFS逆向题求解,从而为IFS逆问题的数值方法研究提供了一条新颖途径。     

分块分形插值拟合与遗传算法

本文采用遗传算法一类分块分形插值的逆问题,由实例分析可见,它是十分有效的。     

一种遗传模糊神经网络数据挖掘算法

数据挖掘是近年来信息处理领域出现的新的研究方向。本文探讨了扩展型TS模糊神经网络和遗传算法在数据挖掘中的应用,并提出了一种把模糊神经网络与遗传算法相结合的数据挖掘方法。在该方法中由遗传算法自适应地构造和优化TS模型,TS模型完成预测,这种预测是建立在遗传算法的聚类结果之上的。二者的结合,提高数据挖掘的应用效果。文章最后给出该方法的应用实例。     

Genetic Algorithm based technique for solving Chance Constrained Problems

Management and measurement of risk is an important issue in almost all areas that require decisions to be made under uncertain information. Chance Constrained Programming (CCP) have been used for modelling and analysis of risks in a number of application domains. However, the resulting mathematical problems are non-trivial to represent using algebraic modelling languages and pose significant computational challenges due to their non-linear, non-convex, and the stochastic nature. We develop and implement C++ classes to represent such CCP problems. We propose a framework consisting of Genetic Algorithm and Monte Carlo Simulation in order to process the problems. The non-linear and non-convex nature of the CCP problems are processed using Genetic Algorithm, whereas the stochastic nature is addressed through Simulation. The computational investigations have shown that the framework can efficiently represent and obtain good solutions for seven test problems.     

带区间数据的最小风险斯坦纳树问题

考虑了在带区间数据的不确定网络中, 最小风险和模型以及最小最大风险模型下的斯坦纳树问题. 它们推广了相应模型下的最短路问题和最小支撑树问题, 在网络设计中具有更加广泛的应用.我们分别给出了这两个模型下斯坦纳树问题的近似算法, 并对算法性能做了理论分析和证明. 结果显示我们的算法具有优良的常数逼近的性质, 能在多项式时间内算出令人满意的解.     

ON THE SPECIFIC EXPRESSION OF BIT-LEVEL ARITHMETIC CODING

Arithmetic coding is a relatively new loss-less data compression technique that has attracted much attention in recent years. We show the iteration of bit-level arithmetic coding can be specified by a continuous function. The analysis expression and some properties of this function are discussed. An application of the function is provided for exploring the security of arithmetic codes when they are used for data encryption.     

二阶段随机规划问题基于随机模拟的遗传算法

利用遗传算法不过多依赖目标函数性质．适应于全局搜索的特点．提出了求解二阶段随机规划的基于随机模拟的遗传算法，算法采用随机模拟技术利用样本均值近似代替期望值，使计算得以简化，计算实例表明该算法是有效和可行的。     

遗传信赖域方法

本文将具有并行计算性能的遗传算法与具有全局收敛的信赖域方法相结合以形成混合搜索方法,为解决复杂多峰极值优化问题提供一种有效算法,证明了算法的收敛性。     

基于模糊径向基函数神经网络的模糊数据建模研究

提出将模糊径向基函数神经网络(FRBFN)用于模糊数据的建模,并提出融和圆锥模糊向量的聚类方法和模糊线性回归的学习算法。仿真研究表明．FRBFN及其算法在模糊数据建模方面有一定的优势。     

改进的多目标规划遗传算法

本讨论了[1]中多目标规划遗传算法存在的缺陷，并提出了相应改进策略．这些策略包括：引进精粹策略，杂交限制，终止条件，个体表示改进等方面，利用这些策略使算法能克服终止准则和小生境聚集的缺陷，使得算法能更快的收敛到Pareto最优解集同时又有好有分布的Pareto最优解集．