基于Hamming神经网络聚类分析的进化策略

本文提出了一种基于Ｈａｍｍｉｎｇ神经网络聚类分析的进化策略，模糊自适应Ｈａｍｍｉｎｇ神经网络各类族的权重矢量纪录被进化搜索过的区域，并相应妄下该区域内最优个体和它的适应度，因此通过Ｈａｍｍｉｎｇ神经网络对进化个体的聚类分析，进化策略具有搜索记忆性，可以充分保证下一代遗传群体中个体遗传基因的丰富性，从而避免早熟现象的发生，这种进化策略还可以避免在被搜索过的区域内的无用搜索，进而加快进化策略的收敛速度     

注入式的遗传算法的分析与研究

该文提出了一种改进的遗传算法———注入式的遗传算法。该算法利用遗传算法全局搜索能力强和知识库具有存储记忆功能的特点,通过引入知识库中的经验值来提高遗传算法的求解速度和精度。该实验用基本遗传算法和注入式遗传算法来求解旅行商问题,通过对比实验结果,证明改进遗传算法的可行性和有效性。     

一种基于年龄和性别特征的遗传算法

提出了一种基于年龄和性别特征的遗传算法。标准遗传算法（SGA）已经被成功的应用到很多进化优化问题上，但是对于复杂的多模态函数寻优时，会出现早熟收敛现象。为了解决这个问题，结合自然界最常见的有性繁殖现象，赋予了遗传个体年龄和性别特征，提出了基于年龄和性别特征的遗传算法的框架以及实现。通过建立年龄和有性遗传进化算子。对不同年龄和不同性别的个体赋予不同的进化控制参数，克服了早熟收敛问题且保持了群体的多样性，使算法能顺利的收敛到全局最优值。     

灰度图象的直接Hough变换方法

提出了利用灰度图象的梯度直接进行Ｈｏｕｇｈ变换以检测条纹的方法，与传统Ｈｏｕｇｈ变换及直接利用灰度进行Ｈｏｕｇｈ变换检测条纹的方法相比，具有快速计算以及对图象噪声不敏感的特点。     

适用于欺骗问题优化的分段遗传算法

为了有助于克服遗传算法中的模式欺骗性问题，本文基于遗传算法在不同阶段运行性能的不同，并且借鉴新达尔文主义中生物进化的选择机理，分析和探讨了一种适应性分段遗传算法，并且通过试验证明了该方法的有效性。     

基于前向神经网络的与内容无关的笔迹鉴别

与内容无关的笔迹鉴别是属于图象处理和模式识别领域的一项课题，有着广泛的实用前景。本文提出了一种基于前向神经网络的与内容无关的笔迹鉴别的方法。文中讨论了提取笔迹灰度图象特征和用前向神经网络分类器进行两大问题。对笔迹灰度图提取了3大类18个灰度特征，面前向神经网络分类器由一种新的遗传算法同时优化设计其结构和权重矢量。通过对10人、每人6幅笔迹度图象用18个灰度特征进行鉴别,试验结果显示此方法设计的前向神经网络分类器收敛率高，比常用的最近邻分类器有更高的识别正确率。     

基于多个前向神经网络和遗传算法的边界检测法

本文提出了一种基于前向神经网络和遗传算法的图象边界检测方法，这种方法由多个三层子前向神经网络并置连接加一个ＭＡＸＮＥＴ子神经网络形成，每个前向神经子网络的隐含层神经元个数和所有人权重系数由遗传算法优化确定，实验结果表明，本文提出了这咱边界检测方法抗噪声能力强，检测到的这界位置更为准确。