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。     

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。     

基于模拟退火遗传算法求解整周模糊度

采用乔里斯基分解对浮点解和协方差矩阵进行降相关处理,以降低整周模糊度各分量之间的相关性,然后在遗传算法的种群迭代中加入模拟退火的思想,并将改进的遗传算法应用到整周模糊度的搜索解算上,最终求得整周模糊度的最优解.仿真结果表明,在整周模糊度的解算过程中改进的算法能降低算法的收敛速度,提高算法的运行效率.     

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．     

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。     

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.     

最优家族遗传算法

从种群规模和个体空间的角度分析了影响遗传算子性能的因素，在遗传算法(GA)的基础上设计了一种搜索区域可变、群体规模可变的最优家族遗传算法(OFGA)，该算法提出了在优良解附近构造最优家族，最优解搜索将在这个微型空间中进行，在有限的时间内搜索到更优基因的家族将获得生存的权利．由于每一个家族的搜索区域大幅度减缩，伴随着种群规模的减缩，因此提高了算法的收敛速度，家族个体空间大小不变提高了解的精度．最后，给出了3个典型函数的模拟例子，通过与GA的对比结果看到，OFGA在数量级上提高了收敛速度，使最优解的精度也有很大提高，说明新的算法具有应用的潜力。     

模拟退火遗传算法的泵站优化运行

针对泵站在不同流量扬程要求时,水泵运行组合不合理,导致泵站运行效率低的问题,提出以泵站总功率最小为目标函数的优化运行数学模型.此模型以水泵扬程、总供水量和调速泵的调速率为约束条件,利用模拟退火遗传算法确定并联运行泵的台数、调速泵的调速率及泵的流量分配,实现泵站的优化运行.该算法引入了不可行度对每代种群做初始选择,并利用不可行度取代传统的惩罚函数,平衡目标函数最优化和满足约束条件这两方面的要求.最后通过实例验证了本算法在求解泵站优化调度问题方面的可行性.     

一种基于模拟退火的遗传算法在受约束旅行商问题中的应用

旅行商路径问题已被证明是高维非线性完全问题,现实情况中还会增加非流通图约束.鉴于现有遗传算法在求解过程中容易出现早熟及冗余迭代的缺陷,设计了一种基于模拟退火的优化算法.该算法以旅行商途径地点次序作为编码,初始化过程中混合了贪心方法以实现局部优化,避免出现大量非可行染色体,增大了后续的进化效率.并且依据约束满足条件推导出特定的适值函数,选择了当前较为高效的交叉变异操作,在执行过程中融入了基于模拟退火算法的子体接纳判据.最后引用国内若干城市的信息用于算法检验,结果显示新算法显著优于现有算法.     

改进的遗传模拟退火算法在TSP中的应用

在介绍遗传算法和模拟退火算法的理论基础上，分析遗传算法和模拟退火算法的主要优缺点，提出了一种改进的遗传模拟退火算法。结合两种算法的优点，对其中的复制、交叉、变异操作进行了改进，并将该算法应用于TSP问题的求解之中。最后给出用该算法求解TSP问题的具体实现过程，并进行仿真实验，验证了该算法的有效性。     

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。     

网络划分优化的退火遗传算法

通过将退火机制引入遗传算法的选择运算中,提高了收敛速度,克服了传统遗传算法容易早熟的问题,较好地解决了网络划分优化问题.实验证明此算法在网络划分优化中行之有效.     

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。     

遗传模拟退火算法在初始对准中的应用仿真

捷联惯导系统粗对准结束后,可以用遗传算法来搜索三个误差角,且由于遗传算法的全局寻优能力,在速度上具有很大优势。但遗传算法的局部寻优能力不足,因此得到的结果在精度上也受到了限制。模拟退火算法容易陷入局部最优解,但是具有很强的微调能力。因此,将遗传算法和模拟退火算法结合起来,能很好地解决初始对准的速度和精度的问题。仿真结果证明遗传模拟退火算法可以很好地改善单一遗传算法的局部寻优能力,使得结果精度更高。     

一种应用于负载均衡的模拟退火遗传算法

提出了一种基于模拟退火遗传优化算法,求解流量工程中的网络负载均衡问题。这种新型算法不仅能够均衡网络业务流量,相对于其它遗传算法,还具有收敛速度快、简单高效的特点。通过理论分析详尽说明算法的设计思想和相对于现有算法的优越性。     

一种基于人机交互的退火遗传算法

针对工程中存在的许多具有大规模、非线性、非凸等复杂特性的全局优化问题，在退火遗传算法的基础上，通过将人工方案和算法方案相结合，提出了一种基于人机交互的退火遗传算法，算法首先通过人机合作方式产生初始群体，并在随后的演化过程中，根据个体的适值自动地将人工个体从移民池中引入到算法群体中，引入的人工个体在同其他个体广泛交叉后，按Metropolis法则形成新群体，从而改善群体的质量并引导算法向更富希望的方向搜索，改进的自适应算子提高了算法的整体搜索能力，该算法具备演化算法的优点，并能发挥人的主动性，显示了求解复杂优化问题的应用潜力，算例的仿真结果验证了算法的有效性。     

基于HFC-ADM模型对SA的改进及应用

通过分析模拟退火算法（SA）以及利用分等级公平竞争（HFC）模型对SA改进的固有缺陷,提出新的基于自适应输入阀值的HFC模型（HFC-ADM）的模拟退火算法及其算法流程,同时进行详细的数学描述。最后以求证旅行商问题（TSP）为例,通过统计数据验证了改进后的算法较采用同样局部优化的标准退火算法和分等级公平竞争的模拟退火算法具有更好的收敛速度和优化解。     

Parallel Genetic Simulated Annealing Hybrid Algorithm for Task Scheduling

In this paper combined with the advantages of genetic algorithm and simulated annealing, brings forward a parallel genetic simulated annealing hybrid algorithm （PGSAHA） and applied to solve task scheduling problem in grid computing. It first generates a new group of individuals through genetic operation such as reproduction, crossover, mutation, etc, and than simulated anneals independently all the generated individuals respectively. When the temperature in the process of cooling no longer falls, the result is the optimal solution on the whole. From the analysis and experiment result, it is concluded that this algorithm is superior to genetic algorithm and simulated annealing.