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。     

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．     

一种求解TSP问题的混合遗传算法

解旅行商问题(TSP)局部寻优较好的算子有opt的各种形式(2-opt,3-opt等)以及Lin-Kernighan(LK)。然而,opt的各种形式的局部搜索算子都难较精细地对个体邻域进行搜索;LK的复杂性高,通常较少使用。鉴于此,本文将单点插入算子(SI)、交换算子(Swap)引入TSP问题的局部搜索,并结合2-opt,组成了一种局部搜索算子集合。同时,将上述算子集合嵌入遗传算法,从而形成混合遗传算法,用于求解TSP问题。通过对国际通用的TSPLIB中不同城市规模的数据进行测试,对比5种算法解的质量,结果证明该混合遗传算法是有效性的。     

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     

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.     

一种改进模拟退火算法求解目标优化

标准的模拟退火算法是随机神经网络解决能量局部极小问题的一个有效方法,该算法能够使网络摆脱能量局部极小的束缚,最终达到期望的能量全局最小状态,但是在求解具有NPC问题时需要花费较长时间;提出了基于传统的模拟退火算法一个改进算法,并用于求解经典的TSP问题。由仿真试验结果分析得到,该方法在收敛速度上优于传统的模拟退火算法。     

TSP及其扩展问题的混合型启发式算法

就经典的旅行商问题（ＴＳＰ）及其扩展形式;瓶颈问题、多目标问题等给出一种混合型启发式算法,并知微机上予以实现,为困难的扩展型ＴＳＰ提供了新的求解手段。     

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。     

模拟退火算法的一种改进及其应用研究

针对连续函数全局优化问题提出了改进的模拟退火算法：采用新的解扰动策略,并将局部极小化过程引入模拟退火算法．数值试验证实了该算法的可行性及有效性．作为该方法的应用,计算了著名的Lennard-Jones簇问题,通过比较说明新方法可以提高精度及成功率;此外对脑啡肽的空间结构进行了预测,也得到了较好的结果．     

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%.     

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.     

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电磁齿轮结构参数优化

针对电磁齿轮优化设计属于多极值点非线性规划的问题,在分析了电磁齿轮结构参数与电磁性能关系的基础上,提出一种以体积最小为目标函数的电磁齿轮参数优化数学模型.采用在遗传算法中引入模拟退火算法接受准则的优化设计算法,较好解决了传统遗传算法局部寻优能力差和搜索效率不高的问题.用复合形法与本方法对比,对于电磁齿轮的体积,前者为原设计的60.49%,本方法为原设计的47.57%.算例表明所提出的方法具有良好的性能.     

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.     

和声模拟退火算法及其在旅行商问题中的应用

分析了模拟退火与和声搜索算法各自的特点和缺点,结合两者的优缺点提出了一种新的和声搜索与模拟退火算法的组合算法,将新的算法应用到旅行商问题(TSP)求解.实验结果表明,改进的算法具有更快的收敛性同时能得到比较好的结果.     

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。     

求解TSP的改进模拟退火算法研究

通过分析传统SA算法原理和存在的不足,提出三种改进：增加记忆功能,避免遗失当前最优解;设置稳定抽样判定条件,保证全局搜索能力;提供7种扰动机制,提高结果改进效果。设计对比实验验证各种改进,分析出较好参数配置,构造较理想的改进SA算法。经过国际公认的TSPLIB提供的实验数据的验证,改进算法在性能上比GA和传统的SA算法均有较大提高。     

求解0/1背包问题的自适应遗传退火算法

针对标准遗传算法易早熟收敛以及收敛速度慢的问题,提出一种自适应遗传退火算法用于解决高维约束优化问题.该算法采用轮盘赌和最优保存策略相结合的选择机制,并结合自适应交叉、变异概率,继而引入模拟退火算法,加快迭代后期算法的收敛速度.最后,比较了标准遗传算法和自适应遗传算法的实验结果,证明了自适应遗传退火算法在0/1背包应用中的高效性和精确性.