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。     

基于改进遗传模拟退火算法的测试优化选择

针对测试优化选择这一NP-hard问题,提出利用改进遗传模拟退火算法对其进行求解。由于遗传模拟退火算法直接应用在测试优化选择问题时,存在算法运行到后期时搜索过程冗长和交叉操作后父代与子代的染色体相似度高的缺点。因此采用非线性加速适应度函数提高搜索速度,同时在交叉操作前先对基因进行比较,剔除无效交叉以提高交叉有效性。最后,对典型实例(超外差接收器系统)进行测试优化选择,结果表明,优化后的遗传模拟退火算法达到收敛所需代数相比于遗传模拟退火算法减少13.3%;在满足故障检测率和隔离率的要求下,所需的测试代价与其它算法所得相比较小。因此优化后的遗传模拟退火算法可以更有效地解决测试优化选择问题。     

基于并行组合模拟退火的全局优化算法

针对目前优化方法求解非线性多极值优化问题时存在的不足，提出了并行组合模拟退火算法。在分析算法性能的同时用并行组合模拟退火算法对两个算例进行了求解，并与模拟退火算法、遗传算法进行了比较。结果表明，该方法简单、可靠，具有较高的精度和适应性。     

基于遗传模拟退火算法的QoS组播路由问题求解

提出了一种基于遗传模拟退火算法的带宽时延约束费用最小组播路由选择方法,该方法针对遗传算法的局限性,采用基于备选路径集的整数序列编码机制,对适应度函数进行了调整,改进了交叉和变异操作,并结合了模拟退火算法.实验表明,该算法能够有效地提高收敛速度,避免早熟收敛,能够满足多媒体网络对相应QoS的需求.     

基于混合蚁群与遗传模拟退火的QoS组播路由算法

对于网络业务,服务质量(QoS)包括传输的带宽、传送的时延、数据的丢包率等.通过使用蚁群算法的自组织能力自动搜寻得到备选路径集,结合遗传模拟退火算法(GSAA)对产生的这些备选路径进行选择、交叉、变异、模拟退火来产生的一个路由协议综合缩短网络的路径消耗以及提高网络传输的服务质量.     

基于模拟退火算法的舰船中剖面优化设计

舰船中剖面优化设计中的设计变量应为连续和离散的混合变量,文中引入的模拟退火算法能很好地解决连续和离散混合设计变量的优化问题,将经过改进的模拟退火算法应用到舰船中剖面结构优化设计中,实船的优化计算算例取得了合理的结果,由此表明,应用模拟退火算法进行舰船中剖面结构优化设计是可行且高效的,可在工程结构优化设计领域中推广应用。     

基于模拟退火复合形优化算法的弹性悬架设计

针对传统优化算法全局性较弱,容易陷入局部解的问题;以及模拟退火算法的降温速率较慢和局部搜索能力不足。采用将模拟退火算法和复合形相结合的模拟退火复合形算法。在此基础上对弹性悬架优化设计进行了研究;并且与传统优化方法进行了比较。结果表明,该算法在求解弹性悬架多变量、多约束优化问题的有效性和正确性。     

基于模拟退火算法的船中剖面优化设计研究

将模拟退火算法技术应用于船中剖面优化设计，在图形环境中建立了船中剖面力学模型和优化模型，以船中剖面面积为目标函数，钢板厚度和型钢断面面积为设计变量，在强度和稳定性约束下进行优化，使优化后的船后剖面满足设计要求，算例结果表明结合模拟退火算法技术进行船中剖面优化是可行的，该法在初始设计阶段可用于船中剖面设计。     

基于模拟退火算法的最优控制问题全局优化

参数化后的最优控制问题是一类高维非光滑非线性约束优化问题,传统的非线性规划算法求解时存在着收敛性差、局部收敛等问题。针对上述问题,该文采用多重参数化方法处理最优控制问题,非可微精确罚函数方法处理约束条件,引入了具有良好全局收敛性的模拟退火算法求解参数化后的最优控制问题。典型的时间最优和燃料最优控制问题的求解结果表明：模拟退火算法有着可靠的全局收敛性,优于遗传算法以及序列二次规划等经典优化算法。     

基于模拟退火算法对K-means聚类算法的优化

K-means聚类算法是近年来数据挖掘学科的一个研究热点和重点,该算法是基于划分的聚类分析算法.目前这种算法在聚类分析中得到了广泛应用。本文将介绍K-means聚类算法的主要思想,及其优缺点。针对该算法经常陷入局部最优,以及对孤立点敏感等缺点,提出了一种基于模拟退火算法的方法对其进行优化,可以有效地防止该算法陷入局部最优的情况。     

基于模拟退火遗传算法的板材优化下料

通过对板材优化下料问题的研究,给出了一种较为实用的具体的模拟遗传算法,该算法融合了遗传算法和模拟退火算法的优点,兼有遗传算法中种群个体、交配、基因、遗传、变异等淘汰劣质解的操作,也有模拟退火算法中冷却进度表和接受概率等寻优控制技术,可以更好地实现板材下料问题的快速求解。     

一种混合遗传模拟退火算法及其应用

分析了遗传算法和模拟退火算法的优缺点，提出了一种混合遗传模拟退火算法，对其进行优化，并将该算法应用于TSP问题的求解之中，理论分析和实验结果表明了这种混合遗传模拟退火算法优于普通的遗传算法和模拟退火算法．     

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.     

基于遗传模拟退火算法的移动机器人静态路径规划

采用多边形法描述了机器人的工作环境模型,应用简化编码长度的技术简化了工作路径编码方式.对于基于遗传算法产生初始路径种群后的各路径的适应值进行评价.经过多次交叉、变异,并借助模拟退火中Metropolis算法的随机移动准则制定了高效的温度更新函数,获得了从起始点到目标点的一条全局最优路径.最后在Visual C++环境中通过仿真验证了此算法的可行性和高效性.     

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。     

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.     

无向反转排序问题的遗传模拟退火求解

在推断两个基因组的进化关系上反转排序是一个重要问题。无向排列排序问题已被证明是一个NP-困难问题,目前,最好的算法是3/2-近似算法。基于一个无向排列π的反转距离等于由π所生成的包含2n个有向排列集Sign(π)中最优排列的反转距离,给出应用遗传模拟退火算法计算基因组重排的反转距离的方法。实验结果显示,这个方法优于3/2-近似算法。     

退火单亲遗传算法求解旅行商问题及MATLAB实现

为了提高遗传算法求解较大规模旅行商问题的能力,在单亲遗传算法中引入两代竞争模拟退火选择操作,与倒位算子和插入算子相结合,同时加入保优操作,使遗传搜索效率、收敛速度都得到大幅提高,所花费时间、收敛迭代次数、最后结果明显优于一般遗传算法和单亲遗传算法.给出了用MATLAB实现算法的一些重要步骤和函数,并进行了简要说明.在仿真实例中,用一般遗传、单亲、退火单亲遗传算法对75个城市的TSP问题进行了求解,退火单亲遗传算法对280、535个城市TSP问题进行了求解.结果表明,退火单亲遗传算法最终所得结果最好,但收敛所花时间约为一般遗传的2.5%,单亲遗传的20%,迭代次数为一般遗传的20%,单亲遗传的25%.     

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。     

模拟退火遗传算法与结构优化设计

介绍了模拟退火遗传算法的基本理论及其特点,以在应力约束条件下的静定桁架结构的离散变量结构优化设计为例,证明了该方法的有效性和实用性.