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．     

基于模拟退火的混合遗传算法

分析了遗传算法和模拟算法的优缺点,并将两种算法进行混合,提出一种基于模拟退火的混合遗传算法以弥补两个算法的不足,理论分析和仿真实验表明该方法的有效性和可行性。     

基于混合遗传模拟退火算法的二维纹理合成算法

本文在结合先验知识的基础上,首先从二维纹理合成入手,研究了各种二维纹理合成算法。然后在Wang-Tile纹理合成的基础上,采用遗传算法和模拟退火算法相结合的技术,提出了基于混合遗传模拟退火算法的二维纹理合成算法。大量试验表明,该算法对二维表面纹理合成是有效的。     

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     

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．     

用混合遗传算法解决有时间窗的车辆路径规划问题

有时间窗约束的车辆路径规划问题是一种NP-hard问题,这种问题往往采用遗传算法来解决.但是传统的遗传算法本身存在的不足将严重影响整个算法的性能.本文设计了一种混合遗传算法,并进行了仿真试验.试验结果表明,用这种算法求解带有时间窗约束的车辆调度问题,可以在一定程度上克服上述问题,从而得到较高质量的解.     

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.     

一种新的混合遗传算法及其在机构优化中的应用

针对传统遗传算法所存在的缺点和不足,提出了一种新的混合遗传算法.该算法用模拟退火算法适当拉伸适应度,自适应算法合理调整交叉概率Pc与变异概率Pm以及最优保存策略保护历代最优个体的办法对传统遗传算法进行了改进,同时对约束条件作出了先放宽后逐步加强的措施.经Visual C软件编程计算,得到了较好的优化结果.实例说明,该混合算法收敛速度快,易突破局部收敛的局限而达到全局最优.     

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。     

一种应用于图着色问题的新型混合遗传算法

将遗传算法与模拟退火方法和禁忌搜索方法结合,提出了应用于图着色的混合遗传算法.在混合方法中,模拟退火算法用于局部寻优,提高算法的收敛速度,同时防止早熟收敛;禁忌搜索算法通过记忆能力防止进化过程出现循环来提高全局寻优能力.用遗传算法进行全局搜索,并与贪婪遗传算法和Dsatur算法进行了比较,结果表明,混合遗传算法的寻优质量优于对照算法.这种改进的混合遗传算法可以在稠密图上获得更好的寻优效率,在稀疏图上其效率则略有下降,这表明设计的改进混合遗传算法的合理性和有效性.     

混合遗传算法的收敛性研究

近年来,一种新的优化算法－－遗传算法（ＧＡ）正迅速发展成为一个十分活跃的研究领域。ＧＡ以其高效、实用的特点在各个领域得到广泛的应用,取得了良好的效果,并越来越受到人们的重视,由于ＧＡ存在过早收敛的问题。本文提出了克服此问题的混合遗传算法（ＨＧＡ）,并用Ｍａｒｋｏｖ链理论证明了ＨＧＡ的收敛性。     

基于两层混合遗传算法的lT外包进度风险控制

针对IT(information technology)外包项目的两层进度风险控制优化问题,设计了两层混合遗传算法.该算法是在传统遗传算法中引入模拟退火和自适应机制,并结合优化问题的两层特点而设计的,能够克服传统遗传算法易于早熟、局部搜索能力较差的弱点.在算例分析中,首先分析了两层数学模型在IT外包项目进度风险控制中的管理意义,进而将两层混合遗传算法的仿真结果与两层粒子群优化算法和传统遗传算法的仿真结果进行比较,验证了改进算法的效率和有效性.     

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。     

混合遗传算法及应用实例

概述了遗传算法的基本思想，并对混合遗传算法进行了论述，介绍了混合遗传算法的主要过程，列举了混合遗传算法的计算实例。     

基于遗传算法模拟退火算法解决修边损耗问题

纸箱包装行业是一个传统的产业,在纸箱生产中需要拼单来降低修边损耗以减少成本。本文根据生产上的实际经验提出了问题的数学模型,针对该模型,本文将遗传算法和模拟退火算法结合,解决了遗传算法的收敛过快以及局部搜索能力不强的问题。在选择操作中直接保存优秀个体,来增强算法的收敛性。在变异和交叉操作中采用自适应的变异和交叉概率,增强了搜索解空间的均匀性,并引入了记忆功能,最终获得问题的近似最优解。     

基于混合遗传算法的多约束组播路由优化算法

针对目前多约束组播路由算法中存在的算法复杂,不能求出其精确解和运算量大,解不稳定等问题提出了一种新的组播路由优化算法,其核心是采用改进的遗传算法。该算法采用模拟退火算法与遗传算法相结合的方法,编码采用实数编码结构,交叉和变异概率适当选择,合理设计适应度函数。仿真结果表明,该算法是有效的,稳定的,比传统遗传算法性能优越,具有较强的实用性。     

混合遗传算法的研究现状

简要介绍了遗传算法的产生机理和基本结构,并着重介绍了混合遗传算法的研究现状。     

混合遗传算法设计方法的探讨

针对线性分类器这一狭义模式识别问题,分析了影响基于感知器的梯度算法的线性分类器的收敛性问题,提出了一种遗传算法和梯度算法相结合的权值训练方法,用于线性分类器的参数设计。给出了一种衡量算法优劣的标准,并进行了仿真研究。     

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。     

基于混合遗传算法的TSP问题优化研究

为了避免陷入局部优化,提出使用混合遗传算法,即用应用模拟退火算法的Boltzmann生存方法,根据个体适应性的变异值Δf和概率值exp(-Δf/T),来保持个体的多样性,阻止提前收敛,用顺序交叉算子和部分路径翻转变异算子来提高算法的收敛速度,较好地解决了群体的多样性和收敛速度的矛盾.算法分析和测试表明,该改进算法是有效的.