新的进化过程遗传算法

在分析遗传算法运行机理的基础上，指出传统的遗传算法存在的缺陷，提出了一种新的进化过程遗传算法。提高了算法的计算效率，并有效地解决了早熟收敛的问题。     

遗传退火进化算法在背包问题中的应用

从增强算法收敛性和减少参数依赖性的角度出发，提出应用遗传退火进化算法求解背包问题，遗传退火进化算法结合了遗传算法和模拟退火算法的优点，并有效地克服了各自的弱点，使其在优化性能、优化效率和可靠性方面具有明显的优越性．阐明了用该算法求解背包问题的具体实现过程，并通过实际数值计算和结果比较表明，该算法优于遗传算法和模拟退火算法．     

基于模拟遗传退火的印花厂计划调度算法

由于印花厂订单调整频繁,订单的不确定因素很多,因此其计划调度的编制比较困难.本文分析了印花厂的一般生产流程,在此基础上为印花厂建立了一个计划调度的数学模型与目标函数,以期获得生产时间的最优.并使用模拟遗传退火算法对该问题的实例进行求解,结果显示该方法有效.     

一类解决作业车间调度问题的遗传退火算法

将遗传算法与模拟退火相结合,提出了一种新调度算法,算法分成两步,首先利用遗传算法快速搜索一组较好解,然后利用模拟退火进行群体寻优,这样,既能克服遗传算法过早收敛的弱点,又能加快模拟退火的收敛速度,实验表明,该算法具有较高的求解质量和效率。     

基于遗传模拟退火算法的任务分配与调度

网格将多种资源组织在一个统一的框架下,为各种复杂的计算任务提供资源。因此计算任务在各种资源之间的调度成为了一个关键的问题。结合遗传算法GA和模拟退火算法SA的优点,提出了一种全局遗传模拟退火算法GGSAA,并将算法应用于网格计算任务调度问题的求解之中。最后给出了GGSAA算法的仿真结果。     

复杂函数全局最优化的改进遗传退火算法

针对复杂函数的最优化问题 ,首先提出了一种基于邻域函数的尺度参数自寻优的改进模拟退火算法 ,进而通过设计多操作的基于概率接受思想的变异操作 ,结合混沌序列 ,在遗传算法中引入灾变操作和改进模拟退火算法 ,最终提出了改进遗传退火算法。基于典型算例的仿真结果验证了改进算法对高维复杂函数最优化的有效性 ,其性能明显优于传统的遗传算法、模拟退火、改进的进化规划方法以及遗传 -AL OPEX算法。     

模拟退火混合遗传算法及其实现

传统的基本遗传算法在全局搜索和收敛速度上存在不足,通过把基本遗传算法和模拟退火算法相结合,提出的模拟退火混合遗传算法能够大大提高收敛速度,并采用一个多峰值函数验证了模拟退火混合算法的性能．     

利用遗传算法搜索全局最优的一种混合算法

把最速下降法与遗传算法相结合,提出了一种混合算法,该算法能使遗传算法离开“早熟收敛”状态,最终获得全局最优,对算法的收敛性进行了证明,数值仿真表明算法是有效的。     

基于改进遗传退火算法的高速公路巡逻车路径优化调度

为了合理分配有限的高速公路巡逻车资源,构建了确定型高速公路巡逻车路径及调度优化模型。探讨了有限巡逻车资源路径、调度优化建模问题;构建了以全覆盖模型为基础,以事故响应时间最小为目标的优化模型。将连通的路径作为染色体,基于MATLAB对改进的遗传退火算法进行编码,采用动态交叉及变异概率,在交叉变异后子代更新中引入模拟退火算法Metropolis准则;并在改进的遗传退火算法中加入动态规划算法对巡逻车进行分配。以Sioux Falls路网及数据,对MATLAB编码的遗传退火算法进行验证,计算结果与两种情景假设及模拟退火算法优化结果作比较。结果表明:改进的遗传退火算法求解结果比相应的情景假设求得事故响应时间分别减少了23. 35%与28. 28%;与模拟退火算法求解结果相比,该方法具有更好的寻优效果及计算效率。MATLAB编码的改进遗传退火算法对中大型路网路径、调度寻优效果较好。     

混合遗传-模拟退火算法在电网规划中的应用

遗传算法是一种根据自然界优胜劣汰的进化机理进行搜索和寻优的方法．在求解电网规划问题时,基于遗传算法在电网规划计算中可能陷入局部收敛而无法达到全局最优,本文引入模拟退火技术,并提出了混合遗传－模拟退火算法．计算结果表明,经改进后的新算法能使计算跳出局部收敛而达到全局最优的目的     

基于智能优化策略的图像自动配准方法

传感器图像配准是传感器融合中的一个重要课题 ,它的任务就是在不同的传感器图像之间找出正确的映射匹配关系。从优化问题的角度考察传感器配准问题 ,提出一个适当的适配度函数以评定传感器图像间的映射参数 ,并在此基础上采用遗传算法、模拟退火、遗传模拟退火算法等随机优化方法解决此优化问题 ,从而达到自动配准传感器图像的目的。实验结果证明了这种配准方法的可行性 ,而且它对噪声不敏感 ,表现出较好的鲁棒性。遗传模拟退火算法更是在相对较少的迭代后即获收敛     

一种求解TTP问题的SAGA算法

分析了高校课程表编排中涉及的各种约束条件和特殊要求,给出了一种求解TTP问题的模拟退火遗传算法(SAGA),并且对遗传算法中的交叉、变异操作采用自适应方式进行了改进,提高了算法在解空间中的探索能力和效率.数值实验证明了该方法的有效性和可行性.     

一种改进的遗传算法及其应用

遗传算法在实际应用中容易出现早熟收敛和搜索结果精度不高的问题。针对早熟收敛和最优值精度低,采用了对搜索参数进行动态调整的优化计算。在进化的全过程中,算法始终保持较强的全局搜索能力和局部寻优能力。测试结果表明,对遗传算法的此种改进是有效的,不易陷入局部最优,并能大大提高最优解的精度。     

模拟退火遗传算法在电力系统无功优化中的应用

电力系统无功优化是保证系统安全、经济运行的一项有效手段.针对常规遗传算法收敛速度慢、易早熟等缺陷,并结合电力系统无功优化的特点,在遗传算法(GA)和模拟退火算法(SA)的基础上,提出了更加有效的算法即模拟退火遗传算法.使用该文提出的算法对IEEE-14节点系统进行了无功优化计算,结果表明该模拟退火遗传算法应用于无功优化是合理可行的.     

模拟退火改进遗传算法在股市投资决策中的应用

针对遗传算法的欺骗问题,指出了变异率对全局最优解获得及解的稳定性的影响,提出了模拟退火算法改进的遗传算法,并结合股市投资决策方案选择问题进行了实例验证。     

带性能约束布局问题的不干涉遗传算法

针对卫星舱设计中的带性能约束优于问题,给出了并证明了矩形图元布局优化不干涉性的判别定理,依该定理构造了求解布局问题的不干涉遗传算法,数值结果表明了该算法的正确性和实用性。     

一种改进变异控制策略的遗传算法研究

早熟收敛问题是遗传算法中影响寻优效果的重要因素。分析了变异策略中由经验参考值确定的变异概率对样本多样性的影响，提出了采用自适应变异控制变异算子的方法，阐述了根据进化过程选择变异时机和变异概率的思路。通过实例计算结果的比较，证明了改进自适应变异算法可以有效地解决早熟收敛问题。     

遗传算法与模拟退火算法混合策略模糊控制的研究

提出基于遗传算法与模拟退火算法混合策略的模糊控制,使控制规则得到优化,从而改善了控制性能．仿真实例表明这种方法是可行的．