基于SMSA混合算法的地下水污染源强度反演研究

基于单纯形模拟退火混合算法(SMSA混合算法),结合污染物迁移问题的解析解反演地下水污染源的强度变化历时曲线.SMSA混合算法结合了单纯形法的确定性搜索和模拟退火算法的全局概率搜索机制,是一种高效的混合优化算法;同时采用Yeh提出的解析解,它具有可靠性强、易于编程实现和扩展性强的特点.计算结果显示,1维、2维、3维情形下点污染源的反演浓度均较好地再现了真实的污染物释放过程,这表明基于SMSA混合算法和Yeh解析解的反演方法是一种有效的地下水污染源重建方法.     

改进的模拟退火方法及其在电阻率图像重建中的应用

实际中的大量地球物理反演都是一个多参数,非线性优化问题,以往的局部方法只是利用有限的信息来改进初始模型,因此对初始模型有很大的依赖性,难以得到全局最优解,针对这一问题,本文选择全局反演方法中的模拟退火和单纯形的组合算法,改进了模拟退火和单纯形算法的匹配技术,并将它引入到电阻成像反学问题中。     

农村配电网开关的优化配置

为了克服应用传统遗传算法进行农村配电网开关优化配置时,由于遗传算法的"早熟"和局部寻优能力较差所导致的难以得到全局最优解的问题,将遗传算法与局部搜索能力较强的模拟退火算法相结合,以遗传算法为主,引进模拟退火算法产生新个体,形成遗传退火算法.同时,采用整数编码策略,以包含停电损失费用在内的总供电成本最小为目标函数,以节点电压、支路过负荷等为约束条件,RBTS-BUS6配电系统作为算例,将遗传退火算法应用于农村配电网开关优化配置.优化结果表明,遗传退火算法避免了遗传算法收敛过快的缺点,保证了所得解的全局最优性,求解精确解的质量优于遗传算法,是农村配电网开关优化配置强有力的工具.     

基于模拟退火算法的输电网中长期规划研究

模拟退火算法是一种解决组合优化问题的有效方法,其最终优化结果不依赖于初始解的选择,理论上可避免算法过早收敛于局部最小点,从而保证找到全局最优解或全局近似最优解．本文将模拟退火算法用于输电网中长期规划问题的研究,详细介绍了算法实现过程中各种参数的选择方法并给出了具体算例．试算结果表明利用该算法得到的优化结果是令人满意的．     

最优模糊神经网络参数的设计--混沌模拟退火学习法

提出了一种新型优化算法———混沌模拟退火学习法,将混沌算法和模拟退火算法相结合学习模糊神经网络的结构和参数。首先将混沌变量引入模糊神经网络参数的优化搜索中,利用混沌变量的遍历性寻优,根据性能指标寻找较优的模糊神经网络控制器,然后在混沌优化确定的网络基础上,把经混沌搜索后得到的全局次优解作为模拟退火学习算法的初始值,再用模拟退火方法进一步学习网络的隶属函数和权值参数,找到一个全局最优的网络。仿真结果表明:混沌模拟退火学习法优于传统优化方法,其控制结果具有精度高、超调小和响应快的优点,为解决模糊神经网络控制器参数全局最优设计提供了一种切实有效的方法。     

模拟退火与紫外光谱法用于维生素多组分分析

模拟退火（SA）系寻找全局最优并能跨越局部最优的随机优化算法,它源于对高温物质的退火过程几近平衡的统计力学模拟,SA算法及随机抽样,通用模拟退火（GSA）法可用于多元校正。本文结合紫外先请将SA与GSA用于维生素多组分分析,获得良好效果。     

量子退火理论及其应用综述

量子退火算法是在经典模拟退火算法基础上演进出来的一种新的量子优化算法.与经典模拟退火算法利用热波动来搜索问题的最优解不同,量子退火算法利用量子隧穿效应使得量子具有穿透比其自身能量高的势垒的能力,从而使算法摆脱局部极值,以更高概率逼近全局最优.目前,量子退火算法在组合优化类问题中已展现出良好的优化性能.本文系统地综述了D-Wave量子计算机核心原理——量子退火算法的基本概念及其应用领域,较为详细地分析了量子退火算法在密码学、旅行商问题、图着色问题、交通路径等领域的应用,并对未来量子退火算法的更多待深化与探索的方向进行展望.     

基于模型分块交叉移动的学习型模拟退火算法地震反演

针对地震非线性反演问题,提出一种基于模型分块交叉移动的学习型模拟退火的全局优化地震反演方法.其步骤为:首先,在模拟退火算法及粒子群算法基础上,在算法模型扰动项里面加入1个向目标优化的方向移动的学习项;其次,针对地震反演模型数量多及地震记录为褶积形式的特点,采用模型分块交叉移动的方法来实施模拟退火反演,给出模型分块交叉移动的学习型模拟退火算法流程.研究结果表明:该方法具有收敛速度快、精度高、实现简单、高效的特点,可以用于其他多维多极值的目标函数反演.     

课程表问题的一种混合型模拟退火算法

提出了课程表问题的一种基于概率型启发式算法（HA）的混合型模拟退火算法。其中，概率型的启发式算法采用了复杂度高者优先，循环首次适应算法，贪婪法，回溯法和松弛法等多种方法，该算法所排出的课表可作为模拟退火算法的初始解。模拟退火可对概率型启发式算法的排课结果做进一步优化，克服了启发式算法不具有全局收敛性的缺点。所以，混合型模拟退火算法具有启发式算法充分利用领域知识，计算量小，优化快速和模拟退火的全局收敛性，数值实验也证明了它的有效性和可行性。     

基于退火果蝇优化算法的Web服务组合

随着互联网中Web服务数量急剧增加,如何快速地从大量候选服务中选择出满足用户Qo S需求的服务组合成为亟待解决的关键问题。Qo S感知的服务组合优化问题是典型的NP-hard问题,而智能优化算法已成为主流的求解方法。在对web服务组合建模基础上,提出一种基于退火操作的果蝇优化算法(AFOA)。该算法通过引入模拟退火操作,使个体在进化过程中以一定概率进行突变,从而引向全局最优解,较好地避免了FOA易早熟收敛陷入局部最优的问题。大量实验结果表明,该算法在不减弱时间性能的同时,全局寻优性能较果蝇算法(FOA)、模拟退火算法(SA)有很大的提升。     

一种新的全局优化算法——统计归纳算法

在多极值问题的优化领域 ,主要有模拟退火算法(SA) ,遗传算法 (GA) ,人工神经网络 (ANN)算法 ,它们都是基于对自然现象模仿的算法。该文从更基本的优化思想出发 ,基于概率论提出了一种新的全局优化算法——统计归纳算法 (SIA)。在一些标准测试函数以及“货郎担问题”(TSP)上的计算结果表明 ,该算法在智能性 (所需的函数计算次数 )和解的全局性方面都远远好于 SA和 GA。在中国 144个城市的 TSP问题实例中 ,它甚至很快就找到了比参考计算中给出的“目前已知的最优路径”更短的路径。从这一算法思想的角度 ,阐述了 SA和 GA为何对全局优化问题有效 ,以及SA和 GA各自固有的不足之处     

微粒群优化在Job-shop调度中的应用

Job-shop调度问题是典型的NP-难问题,利用微粒群优化的全局搜索能力和高搜索效率以及模拟退火算法的局部搜索能力,发展了一种快速、且易于实现的新的混合启发式算法,并将其应用于求解标准Job-shop调度问题,计算结果以及与其他算法的比较说明,该算法是一种求解Job-shop调度问题的可行且高效的方法。     

基于 SADPSO 的 MPRM 最小化算法

针对混合极性Reed-Muller(mixed-polarity Reed-Muller,MPRM)逻辑最小化问题,提出一种基于SADPSO (hybrid simulated annealing and discrete particle swarm optimization)的智能算法.该算法将模拟退火(simulated anhealing,SA)与离散粒子群优化(discrete particle swarm optimization,DPSO)相结合,对DPSO所得到的最佳解应用SA,帮助算法跳出局部极小.使用所提出算法和已有智能MPRM最小化算法分别对23个MCNC基准电路进行逻辑最小化,并对算法结果质量进行定量评价.结果表明,与已有智能MPRM最小化算法相比,所提出算法具有更好的全局收敛能力,能够提高算法结果质量.     

非线性规划问题全局优化的模拟退火法

在无约束非线性规划问题全局优化的模拟退火算法基础上，进行有约束问题求解的进一步探讨，对不等式约束条件提出了检验法和罚函数法的处理方法，对等式约束条件开发了罚函数法和解方程法的求解步骤，并进行了分析比较，从而形成了完整的求取非线性规划问题全局优化的模拟退火算法。通过对文献例题的计算，表明所提出的方法能够快速有效地求出有约束非线性规划问题的全局最优解     

图像增强技术中的智能算法

提出了一种基于粒子群与模拟退火算法相结合的进化算法.该算法利用模拟退火算法全局收敛性好和粒子群算法收敛速度快等优点，通过交换这两种算法的信息得到最优解.将这种新算法应用于灰度图像的自适应增强，实例计算表明该算法稳定性好，在收敛速度和求解精度方面都优于遗传算法等一些其它进化算法.     

一种优化权初值的综合全局寻优快速BP算法

文章在大量实验的基础上,对BP算法中存在学习收敛速度慢的问题进行了广泛的研究,提出了在优化权初值的基础上,将变步长法与模拟退火法相结合,实现一种快速的综合全局寻优的前馈神经网络学习算法.通过在系统建模中的应用,显示了该算法具有收敛快和精度高的特点.     

Hybrid particle swarm optimization for solving resource constrainted FMS

In this paper, an approach for resource-constrained flexible manufacturing system （FMS） scheduling was proposed, which is based on the particle swarm optimization （PSO） algorithm and simulated annealing （SA） algorithm. First, the formulation for resource-constrained FMS scheduling problem was introduced and cost function for this problem was obtained. Then, a hybrid algorithm of PSO and SA was employed to obtain optimal solution. The simulated results show that the approach can dislodge a state from a local minimum and guide it to the global minimum.     

Hybrid particle swarm optimization for solving resource-constrained FMS

In this paper,an approach for resource-constrained flexible manufacturing system(FMS)scheduling was proposed,which is based on the particle swarm optimization(PSO)algorithm and simulated annealing(SA)algorithm.First,the formulation for resource-con-strained FMS scheduling problem was introduced and cost function for this problem was obtained.Then.a hybrid algorithm of PSO and SA was employed to obtain optimal solution.The simulated results show that the approach can dislodge a state from a local min-imum and guide it to the global minimum.     

自适应变异的混合粒子群优化策略及其应用

提出了一种新的基于群体自适应变异和个体退火操作的混合粒子群优化（HPSO）算法．该算法将模拟退火过程引入到粒子群优化（PSO）之中，以PSO作为主体，先随机产生初始群体，并开始随机搜索产生新的个体．同时，使用自适应变异操作进行个体变异，对进化过的个体进行退火操作，以调整和优化群体．与模拟退火算法和基本PSO算法相比，HPSO保持了基本PSO算法简单、容易实现的特点，又能进行自适应变异．复杂函数优化和旅行商组合优化问题的实例验证表明，所提算法的全局收敛性较好，提高了摆脱局部最优的能力，有效避免了基本PSO算法的早熟问题．     

模拟退火法用于电压稳定分析

为了提高用于电压稳定分析的非线性最优化方法的效率,提出了将模拟退火法和单纯形法相结合求解非线性最优化问题的新算法,避免了在全局最优点附近的大量低效搜索,提高了模拟退火法的计算效率。应用这种新算法求解静态电压稳定极限,用５节点系统进行验证得到了满意的结果。求解静态电压稳定极限问题可以等效为含有非线性等式约束和不等式约束的非线性最优化问题,采用内点法将不等式约束问题转化为等式约束问题,再通过引入罚函数转化为无约束最优化问题,然后应用本算法进行计算,结果表明新算法是有效的。