一些遗传算法的论文(GA)

1. Convergence Rates for the Distribution of Program Outputs
   W.B. Langdon, Computer Science, University College, London,  W.Langdon@cs.ucl.ac.uk
   
   这是关于GP的一篇文章，它利用MARKOV链分析了收敛GP的收敛的特点。
   　
2. Using schema theory to explore interactions of multiple operators
   Nicholas Freitag McPhee, University of Minnesota, Morris, USA, mcphee@mrs.umn.edu
   Riccardo Poli, University of Essex, UK,  rpoli@essex.ac.uk
   
   这是关于GP的一篇文章，它利用SCHEMA理论对不同的杂交和变异算子进行了一个综合性的描述。
   　
3. Visualization of Fitness Landscape, A steady-state Genetic Search and Schema Traces
   Yong-Hyuk Kim, Byung-Ro Moon, Seoul National University, Korea, {yhdfly, moon}@soar.snu.ac.kr
   
   提出了一种将GA搜索过程可视化的方法，它利用SAMMON的映射方法并加以扩展
   　
4. Using GAs to Deal with Dynamic Environments: A comparative study of several approaches based on Promoting Diversity
   Anabela Simoes, Coimbra Polytechnic, Portugal, abs@isec.pt
   Ernesto Costa, University of Coimbra, Portugal, ernesto@dei.uc.pt
   
   利用一种新提出的遗传算子transformation进行了一系列实验，并将实验结果进行对比
   　
5. Adaptive Non-uniform Crossover Based on Statistics for Genetic Algorithms
   Shengxiang Yang, University of Leicester, UK, s.yang@mcs.le.ac.uk
   
   提出一种基于概率的杂交方法，它种方法是对UNIFORM方法的一种改进，效率比其它杂交算法效率要高
   [评]这篇文章中对其它杂交方法的论述让人看起来比较系统，我做作业的时候就可以用到这些。。：）
   　
6. Varying Fitness Functions in Genetic Algorithms: Studying the Rate of Increase of Dynamic Penalty Terms
   S. Kazarlis, V. Petridis, Aristotle University of Thessaloniki, Greece
   
   提出了一种随时间增加的惩罚方法，其原则就是使用动态的FINTESS函数，如果得到一个错误的结果不但得到一个低的FITNESS值，而且还会再减少一些FITNESS值作为惩罚。这具惩罚会随时间增大而增大。
   　
7. An Analysis of Multi-Point Crossover
   William M. Spears, Naval Research Lab, USA, spears@aic.nrl.navy.mil
   Kenneth A. De Jong, George Mason University, USA, kdejong@aic.gmu.edu
   
   这篇文章对多点杂交和UNIFORM杂交提供了理论证明。
   　
8. A Formal Analysis of the Role of Multi-Point Crossover in Genetic Algorithm
   William M. Spears, Naval Research Lab, USA, spears@aic.nrl.navy.mil
   Kenneth A. De Jong, George Mason University, USA, kdejong@aic.gmu.edu
   
   这篇文章对多点杂交和UNIFORM杂交提供了理论证明。
   　
9. Two Views of Classifier Systems
   Tim Kovacs, University of Bistol, UK, kovacs@cs.bris.ac.uk
   
   主要对CS系统是不是基于GA的进行了说明，同时用了两个例子XCS，和SBXCS进行具体说明
   　
10. Revisiting Bremermann's Genetic Algorithm
    David B. Fogel, Natural Selection Inc. USA, dfogel@natural-selection.com
    Russel W. Andreson, HNC Software Inc. USA, rwa@hnc.com
    
    主要对Bremermann的一些作用进行了描述，指导性文章。
    　
11. A Fixed Point Analysis of a Gene Pool GA with Mutation
    Alden H. Wright, University of Montana, USA, wright@cs.umt.edu
    Jonathan E. Rowe, University of Birmingham, UK, j.e.rowe@cs.bhma.ac.uk
    
    一篇理论性文章，对MAXONE问题进行了理论分析
    　
12. Understanding EA Dynamic via Population Fitness Distribution
    Elena Popovici, Kenneth De Jong, George Manson University, USA, epopovic@gmu.edu
    
    利用群体的分布研究群体性质的一篇文章。
    　
13. No Free Lunch Theorems for Optimization
    David H. Wolpert, IBM Almaden Research Center, USA
    William G. Macready, Santa Fe Institute
    说明没有一个统一的遗传算法能够解决所有问题，遗传算法是和问题相关的
    　
14. Analysis of the Simple Genetic Algorithm on the Single-peak and Double-peak Landscapes
    Alden H. Wright, University of Montana, USA, wright@cs.umt.edu
    Johnathan E. Rowe, University of Birmingham, UK, j.e.rowe@cs.bham.ac.uk
    
    在SGA下，可能会因为CROSSOVER发生导致FITNESS值下降的情况。它提供了一些比较有用的背景资料，比如MUTATION值的取值范围。
    　
15. A Markov Framework for the Simple Genetic Algorithm
    Thomas E. Davis, Jose C. Principe
    University of Florida, USA
    
    利用Markov模型分析了SGA，提出了只要有变异存在就一定会有一个唯一的稳定分布。
    　
16. The Genetic Algorithm in Computer Sicence
    Eric K. Prebys
    
    对一些GA的理论成就做了一些概括性的描述
    　
17. Crossover or Mutation?
    William M. Spears, Navy Center for Applied Research in AI, US, spears@aic.nrl.navy.mil
    
    对杂交和交配的一篇很好的文章，清楚易懂，指出杂交与变异在实质上是一样，杂交与时间相关，而变异与时间无关
    　
18. Fitness Distance Correlation as a Measure of Problem Difficulty for Genetic Algorithm
    Terry Jones, Santa Fe Institute, US, terry@santefe.edu
    Stephanie Forrest, University of Mexico, US, forrest@cs.unm.edu
    
    引入了一个新的FDC相关度分析，用于分析一个问题是不是对GA是难解的。
    　
19. Markov Chian Models of Genetic Algorithm
    Alden H. Wright, University of Montana, US, wright@cs.umt.edu
    Yong Zhao, University of Montana, US, yzhao@cs.umt.edu
    
    利用马尔可夫链分析杂交和变异作用
    　
20. Parallel Genetic Algorithm with Schema Migration
    Baowen Yu, Yu Guan, Zhanenqiang Chen, Southeast University, China, bwxu@seu.edu.cn
    
    提出了一种新的并行通信模式SMS，它可以将多群体的GA通信代价减少。
    　
21. Reconstructing the Shifting Balance Theory in a GA: Taking Sewall Wright Seriously
    Franz Oppacher, Carleton University, Canada, oppacher@scs.carleton.ca
    Mark Wineberg, Carleton University, Canada, wineberg@scs.carleton.ca
    
    提出了一种多群体GA，使群体中的个体分为主从式，一定时间之后从向主发出自己最优秀的个体，如果主向从逼近，则从向远离主的方向移动，两者是不是靠近要靠HAMMING DISTANCE来衡量
    　
22. Enhancing the GA's Ability to Cope with Dynamic Environments
    Franz Oppacher, Carleton University, Canada, oppacher@scs.carleton.ca
    Mark Wineberg, Carleton University, Canada, wineberg@scs.carleton.ca
    
    利用在[21]中提出的结构处理变环境下求最佳值的问题
    　
23. A Real Coded Genetic Algorithm with an Explorer and an Exploiter Populations
    Shigeyoshi Tsutsui, Hannan University, Japan, tsutsui@hannan-u.ac.jp
    Ashish Ghosh, Indian Statistical Institute, India, ash@isical.ernet.in
    David Corne, The University of Reading, UK, d.w.corne@reading.ac.uk
    Yoshiji, Fujimoto, Ryukoku University, Japan, fujimoto@math.ryukoku.ac.jp
    
    提出了一种两个群体的多群体GA，一个群体进行粗粒度的搜索，另一个进行细粒度的搜索，粗粒度搜索定时进行重启。通过这样的方法找最佳值
    　
24. Topologies, Migration Rates, and Multi-population Parallel Genetic Algorithms
    Erick Cantu-Paz, University of Illinois, US, cantupaz@illigal.ge.uiuc.edu
    
    一篇理论性文章，对并行GA的结构进行了分析，提出理论上的估计值。
    　
25. A New Model of Distributed Genetic Algorithm for Cluster Systems: Dual Individual DGA
    Tomoyuki Hiroyasu, Mitsumori Miki, Doshisha University, Japan, tomo@is.doshisha.ac.jp
    
    介绍了一种并行GA的结构，一个小群体里只有两个个体，个体数很多。
    　
26. Solving LEGO brick layout problem using Evolutionary Algorithm
    Pavel Petrovic, Norwegian University of Science and Technology, Norway, pavel.petrovic@idi.ntnu.no
    
    利用遗传算法解决LEGO问题的一个例子，属于应用型文章
    　
27. A New Parallel Distributed Genetic Algorithm Applied to Traveling Salesman Problems
    
    提出了一种新的并行GA，不让多个GA小群体通信，只在一定时间之后将小群体中的个体收集起来组成大群体，然后再分。
    　
28. The Hierarchical Fair Competition (HFC) Model for Parallel Evolutionary Algorithms
    Jianjun Hu, Michigan State University, hujianju@cse.msu.edu
    Erik D. Goodman, Michigan State University, goodman@egr.msu.edu
    
    提供了一种新型的GA结构，思想取自中国的教育制度，不同的个体因FITNESS值不同而被放在不同的层次中，相同FINTESS值的个体进行竞争，以这种方法希望保证GA能够不聚合于局部最优
    　
29. A Genetic Algorithm for the P-Median Problem
    Elon Santos Correa, Colegio Militar de Curitiba Timoteo Jose Ferreira, Brazil, elonsc@yahoo.com
    
    一篇应用性的文章，将GA用于在N个点中间放置另外M个点，使这M个点到N个点的距离和最小
    　
30. A Statistical Mechanical Formulation of the Dynamics of Genetic Algorithms
    Jonathan Shapiro, Adam Pruguel-Bennett, Magnus Rattray, University of Manchester, UK
    
    对GA统计特征的文章，涉及了FINTESS的SKEW的内容
    　
31. Convergence Analysis of Canonical Genetic Algorithm
    Gunter Rudolph, University of Dortmund, Germany
    
    利用马尔可夫链理论对GA进行分析的一文章，可以说是分析标准GA的一篇范文
    　
32. Using Genetic Algorithm to Deal With Dynamic Environment: A Comparative Study of Several Approaches Based on Promoting Diversity
    
    Anabela Simoes, Coimbra Polytechnic, Portugal, abs@isec.pt
    Ernesto Costa, University of Coimbra, ernesto@dei.uc.pt
    
    提出了一种新的遗传算子：TRANSFORM。并利用这种算子对变化情况下的GA进行了一些实验
    　
33. Adaptation of Length in a nonstationary environment
    Han Yu, Annie S. Wu, University of Central Florida, US, {hyu, aswu}@cs.ucf.edu
    
    将基因片段变成非定长片断，并认为这样可以提高GA的效率
    　
34. Dynamic Memory Model for Non-Stationary Optimization
    Claus N. Bendtsen, University of Aarhus, Denmark, claus@daimi.au.dk
    Thiemo Krink, University of Aarhus, Denmark, krink@daimi.au.hk
    
    提供利用一段专用内存对GA数据进行处理，以达到处理变化环境的目的
    　
35. Diversity Maintenance on Neutral Landscapes: An Argument for Recombination
    Nicholas Geard, University of Queensland, Australia, nic@itee.uq.edu.au
    Janet Wiles, University of Queensland, Australia, j.wiles@itee.uq.edu.au
    
    通过保存低适应值的个体，达到提高多样性的目的
    　
36. Evaluation of Search Performance of Bacterial Evolutionary Algorithm
    Kosuke Yamamoto, Tomohiro Yoshikawa, Takeshi Furuhashi, Mie University, Japan, yamamoto@ip.elec.mie-u.ac.jp
    
    通过对一种细菌变异算子的研究，得到结论，这种细菌变异算子对搜索更有用
    　
37. Optimization by Means of Genetic Algorithms
    Thomas Back, University of Dortmund, Germany, baeck@lumpi.informatik.uni-dortmund.de
    
    对GA搜索进行的文章，对GA进行了一些数学总结。
    　
38. Selective Pressure in Evolutionary Algorithms: A Characterization of Selection Mechanisms
    Thomas Back, University of Dortmund, Germany, baeck@lumpi.informatik.uni-dortmund.de
    
    对各种选择函数下个体被选择的概率进行了数学推演
    　
39. Visualization of Evolutionary Algorithms: Real-World Application of Standard Techniques and Multidimensional Visualization
    Hartmut Pohlheim, DaimlerChrylsler AG, Research and Technology, Germany, pohlheim@dbag.bln.daimlerbenz.com
    
    提供了一种对GA数据进行多维可视化的方法
    　
40. On Eeffect of Migration on the Fitness Distribution of Parallel Evolutionary Algorithms
    Erick Cantu-Paz, Lawrence Livermore National Lab, US, cantupaz@llnl.gov
    
    在并行GA时，不同群体之间个体的迁移可以使GA找到最好的结果。当不同群体之间的连接越多的时候，这种效果就越好
    　
41. Genetic Algorithm Dynamics on a Rugged Landscape
    Stefan Bornholdt, Institute Fur Theoretische Physik, Universitat Kiel, Germany, bornholdt@theo-physik.uni-kiel.de
    
    提出了GA群体分布的模型，与[30]内容类似
    　
42. Visual Analysis of Evolutionary Algorithms
    Annie S. Wu, Naval Research Lab, US, aswu@sic.nrl.navy.mil
    Kenneth A. De Jong, George Mason University, US, kdejong@cs.gmu.edu
    
    提出了一种对EA的可视化方法
    　
43. Optimal Mutation Rate in Genetic Algorithm
    Thomas Back, University of Dortmund, Germany, baeck@ls11.informatik.uni-dortmund.de
    
    指出变化的变异率对GA更好
    　
44. An Analysis of the Interacting Roles of Population Size and Crossover in Genetic Algorithm
    Kenneth A. De Jong, George Mason University, US, kdejong@aic.gmu.edu
    William M. Spears, Naval Research Lab, US, spears@aic.nrl.navy.mil
    
    提出了N点交配和UNIFORM交配对GA的干扰作用，在考虑到群体大小的情况下可以得到相应的如何选择交配方法，但这个结果不明显。群体数目比较大的时候，使用2点杂交比较好
    　
45. Adapting Crossover in a Genetic Algorithm
    William M. Spears, Naval Research Lab, US, spears@aic.nrl.navy.mil
    
    此文章是对[41]的扩展，在GA运行时添加一位使得GA能够自己选择是采用2点杂交还是UNIFORM杂交，此方法对于大群体有用，对小群体效果不好
    　
46. On Recombination and Optimal Mutation Rates
    Gabriela Ochoa, Imman Harvey, Hilary Buxton, University of Sussex, UK
    
    力图获得杂交与变异算子的最佳组合，结果是如果有杂交，变异最好是不变的，而且比较小；如果没有杂交，开始时变异比较大，以后变异比较小比较好。
    　
47. Using Problem Generators to Explore the Effects of Epistasis
    Kenneth A. De Jong, George Mason University, US, kdejong@gmu.edu
    Mitchell A. Potter, George Mason University, US, mpotter@gmu.edu
    William M. Spears, Naval Research Lab, US, spears@aic.nrl.navy.mil
    
    提出了自动生成一系列函数的方法，这些函数是用于GA进行测试的。
    　
48. Adaptive Mutation Rate Control Schemes in Genetic Algorithms
    Dirk Thierens, utrecht university
    
    针对MUTATION的一种自适应GA，文中还对三种其它自适应GA参数方法进行了说明