基于模拟退火机制的网络蜘蛛搜索策略

在分析传统网络蜘蛛搜索机制特点的基础上，将模拟退火机制引入网络蜘蛛的链接选择策略。提出了一种基于模拟退火机制的启发式网络蜘蛛搜索算法。针对国外四所著名大学计算机系网站中计算机论文资源的搜索实验表明，新算法可以有效提高搜索效率。     

ε-贪婪策略在网络蜘蛛搜索策略中的应用

在分析传统网络蜘蛛搜索机制特点的基础上，将ε-贪婪策略引入网络蛛蛛的链接选择机制，提出了一种基于ε-贪婪策略的网络蜘蛛搜索策略．针对国外四所名大学计算机系网站中计算机论资源的搜索试验表明，新的算法可以有效地提高搜索效率．     

坦克发动机道路模拟测试平台轨迹寻优研究

坦克发动机道路模拟测试平台采用冗余构件多分支并联运动系统结构形式，满足了大负载、高灵活度、运动复杂的实际要求．鉴于系统结构形式的特殊性，论文采用结合个体定向漂移技术的基于邻域函数的尺度参数自寻优改进模拟退火算法，对此并联运动系统进行六维轨迹寻优解算，阐述了自寻优改进模拟退火算法，并将系统六维轨迹解算仿真结果与实验数据进行对比分析，在实践中得到成功验证．该方法将模拟退火的串行搜索机制与邻域函数混沌选择的并行处理机制进行了恰当结合，使算法不仅具有模拟退火算法的计算及存储量小、处理简单、寻优准确等优点，而且具有混沌选择遍历性和全局优化特性的优点．通过个体定向漂移技术提高了搜索效率，改善了邻域函数结构．     

一种新的优化算法──进化-模拟退火算法(ESA)

进化界法与模拟退火算法是模仿自然现象的两大随机算法，本文将进化算法中的群体思想和竞争选择机制引入到模拟退火算法之中以指导搜索过程，的退出了进化一模拟退火算法，其仿真结果表明，对于较简单的问题，进化一模拟退火的性能与模拟退火算法一样好，但对于较复杂的问题，进化一模拟退火算法明显优于模拟退火算法。     

基于MMHC算法的贝叶斯网络结构学习算法研究

贝叶斯网络是人工智能领域研究不确定环境下知识表示和因果推理的有效工具之一,迄今为止已经提出了许多贝叶斯网络结构学习算法.MMHC算法是一种较新的贝叶斯网络结构学习算法,该算法的评分搜索阶段应用了贪婪搜索算法,但该算法容易陷入局部最优而无法得到全局最优网络,针对该缺点,在MMHC算法的评分搜索阶段应用模拟退火、随机重启爬山搜索、禁忌搜索3种搜索策略取代贪婪搜索,详尽的实验结果表明在MMHC算法中这3种搜索算法的效果普遍优于贪婪搜索,其中模拟退火搜索学习效果最好,MMHC算法的评分搜索阶段可以用模拟退火搜索替代贪婪搜索达到提升算法的学习效果.     

应用于蛋白质折叠模拟的三种新蒙特卡罗方法的比较

新蒙特卡罗方法是一类随机算法的统称．这类算法已被应用于蛋白质折叠的模拟计算，并取得了较好的结果．该文将并行回火与遗传算法的混合算法、群体模拟退火方法以及群体模拟退火方法与遗传算法的混合算法这3种改进的蒙特卡罗方法应用到蛋白质折叠模拟计算，并就二维网格模型比较了这3种方法搜索最小能量构象的能力以及计算了得到最小能量构象所花费的时间．计算机模拟计算的结果表明，3种方法对于短序列蛋白质折叠结构的预测都较为有效，而群体模拟退火方法与遗传算法的混合算法则比其它两种算法所花费的计算时间要少，也就更为有效．     

Ad Hoc网络中基于模拟退火-蚁群算法的QoS路由发现方法

针对Ad Hoc网络的动态网络环境和链路、节点性能限制等不利因素，提出了一种新的QoS路由发现方法——SAANT．该方法利用蚁群算法增加了发现可用QoS路由的概率，利用基于概率的路由转发策略来减少洪泛造成的网络开销，从而强化所提算法的全局搜索能力和自适应性，减小了洪泛对Ad Hoc网络性能的影响．所提方法还利用模拟退火算法调整路由发现算法的搜索方向，以弥补蚂蚁算法收敛速度上的弱点，减少了搜索过程中的停滞现象．在包投递成功率、平均包延迟和吞吐量等方面，通过仿真实验对SAANT、仅基于蚁群算法的QoS路由算法和传统的按需路由算法的方法进行了性能比较，结果表明，在Ad Hoc网络环境下，SAANT的收敛速度、移动性能和网络负载性能均表现出更好的适应性．     

解计算机网络连接增强性问题的若干方法

为解决现有计算机网络中一些间接相连的结点添加额外的连接问题，提高整个网络系统的强健性和存活力。综述了线性搜索法、ＣＲＣＳ方法和遗传算法在解决这一问题时的基本思路和实现过程、并提出了模拟退火算法解决方案。通过两个实例，比较了它们的运行结果，最后对各方法的性能进行了综合分析和评价。     

基于SDN的数据中心网络流量调度机制的设计与实现

针对SA算法中未考虑当前网络链路带宽资源引起的流冲突问题以及GFF算法中未考虑流带宽需求变化引起带宽资源分配不合理问题,提出了基于模拟退火遗传算法的按需自适应(SAGA-AO)流量调度机制.该机制首先依据流带宽需求变化筛选出网络中需要调度的流,然后利用模拟退火遗传算法(SAGA)根据当前链路带宽资源状况对需要调度的流进行全局调度路径搜索.仿真结果表明:SAGA-AO算法在大多数通信模型下平均对分带宽高于SA和GFF算法.     

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。     

非贪婪策略在WEB搜索中的应用

传统专业搜索引擎采用贪婪的链接选择策略,导致整体回报率较低.本文提出了一种非贪婪的链接选择策略,进而提出了一种基于非贪婪策略的启发式搜索算法.针对国外四所著名大学计算机系网站中论文资源的搜索实验表明,新的算法可以有效提高搜索效率.     

求解多峰值问题的改进混合遗传算法

由于遗传算法解决问题时容易陷入局部极值点,根据遗传算法全局搜索能力强和模拟退火算法局部搜索能力优的特点,将它们混合使用,同时改进初始群体产生方法,使随机产生的初始群体之间有较明显的差别,能均匀分布在解空间,并采取与进化代数相关的多精英保留策略及改进的自适应选择与变异操作.模拟退火算法的结束条件改进为当连续五代个体与前一代适应值无变化或当前温度小于结束温度.仿真实验表明新算法在求解多峰值问题时改善了遗传算法的局部搜索能力,有效地解决了遗传算法的早熟现象,显著提高了遗传算法求得全局解的概率.     

一种用于车间调度的基于熵的混合遗传算法

为提高车间调度算法的寻优性能,通过对模拟退火遗传算法收敛图的研究,提出了评价算法种群有序性（差异性）的种群熵,基于种群熵,提出了改进的模拟退火遗传算法,该混合算法通过种群熵动态地改变算法的交叉和变异概率,使之适应种群的变化,提高种群的多样性,有效地克服算法的过早收敛,从而达到提高算法寻优性能的目的。仿真实例表明,所提出的算法的寻优性能有了显著的提高。     

一种获得高非线性平衡布尔函数的启发式算法

利用混沌动力系统的良好特性,把它引入传统的模拟退火中,提出一种称为混沌搜索模拟退火的新启发式算法,用于设计高度非线性平衡布尔函数。笔者分别对此方法和传统的模拟退火算法,进行多项仿真实验。实验分析表明,此算法能够更有效地避免陷入局部极小值,对于获得密码性质好的布尔函数,比单一的模拟退火具有更大优势。     

自适应最优保存的模拟退火遗传算法及应用

在分析遗传进化的基础上，提出了一种自适应最优保存的模拟退火遗传算法，自适应地保存最优个体，并对其进行模拟退火，与简单最优保存遗传算法（MOSGA）进行了性能比较，结果表明本算法明显比MOSGA搜索能力更强，有极强的跳出局部成的能力，有效地解决了MOSGA的早熟现象。     

多敏捷卫星协同任务规划调度方法研究

敏捷卫星任务规划调度是一个具有长时间窗、多时间窗的复杂约束的多目标组合优化问题。本文基于任务质量,通过分析敏捷卫星对地观测任务规划问题的需求、特点和约束,构建了敏捷卫星任务规划组合优化模型;并在原有模拟退火算法的基础上,设计了基于相似度和聚集度的遗传模拟退火混合算法,通过相似度和聚集度,在染色体变异过程中,当种群聚集度大的时候,增加染色体的变异概率,从而增加种群的多样性。利用遗传算法的全局搜索能力有利于改变模拟退火算法容易陷入局部最小点的缺点,寻找到更优的结果,使算法达到全局搜索能力与局部搜索能力的平衡,经实际卫星任务数据验证算法有效可行。     

求解病态线性方程组的混合算法

首先通过变分原理将求解线性方程组的问题转化为等价的求解无约束函数最优化问题的极小值.通过研究BFGS算法和模拟退火算法的优缺点,鉴于BFGS的良好的局部搜索能力以及模拟退火法的全局搜索能力,提出了一个BFGs-SA的混合算法.数值实验表明该混合算法校正了BFGS的局部搜索能力,达到了全局最优解,从而得到了原病态线性方程组的解.     

基于遗传模拟退火法的马斯京根方程参数估计

提出一种用遗传退火算法估计马斯京根方程参数的新方法，在遗传算法中融入模拟退火算法，在每一代群体产生后，对各个个体独立地进行模拟退火过程，以其结果再作为下一代群体的个体，避免了简单遗传算法容易提前收敛的缺陷以及模拟退火法搜索较盲目的缺点，应用实例表明方法简便，直观，可广泛应用于解决多种模型的优化问题，特别在洪水预报方面有很好的应用前景。