基于 SADPSO 的 MPRM 最小化算法

针对混合极性Reed-Muller(mixed-polarity Reed-Muller,MPRM)逻辑最小化问题,提出一种基于SADPSO (hybrid simulated annealing and discrete particle swarm optimization)的智能算法.该算法将模拟退火(simulated anhealing,SA)与离散粒子群优化(discrete particle swarm optimization,DPSO)相结合,对DPSO所得到的最佳解应用SA,帮助算法跳出局部极小.使用所提出算法和已有智能MPRM最小化算法分别对23个MCNC基准电路进行逻辑最小化,并对算法结果质量进行定量评价.结果表明,与已有智能MPRM最小化算法相比,所提出算法具有更好的全局收敛能力,能够提高算法结果质量.     

Hybrid particle swarm optimization for solving resource-constrained FMS

In this paper,an approach for resource-constrained flexible manufacturing system(FMS)scheduling was proposed,which is based on the particle swarm optimization(PSO)algorithm and simulated annealing(SA)algorithm.First,the formulation for resource-con-strained FMS scheduling problem was introduced and cost function for this problem was obtained.Then.a hybrid algorithm of PSO and SA was employed to obtain optimal solution.The simulated results show that the approach can dislodge a state from a local min-imum and guide it to the global minimum.     

Hybrid particle swarm optimization for solving resource constrainted FMS

In this paper, an approach for resource-constrained flexible manufacturing system （FMS） scheduling was proposed, which is based on the particle swarm optimization （PSO） algorithm and simulated annealing （SA） algorithm. First, the formulation for resource-constrained FMS scheduling problem was introduced and cost function for this problem was obtained. Then, a hybrid algorithm of PSO and SA was employed to obtain optimal solution. The simulated results show that the approach can dislodge a state from a local minimum and guide it to the global minimum.     

混合优化算法

对连续函数的优化问题,本文提出了一个模拟退火算法（ＳＡ）与ＰＯＷＥＬＬ直接算法相结合的混合优化算法（ＳＡ－Ｐ）,数值实验表明该算法是有效的。     

基于二次退火机制的改进多态蚁群算法

利用多态蚁群算法和模拟退火算法的优点提出一种新的融合优化算法。研究结果表明:模拟退火用于优化每轮迭代后的路径,使得信息素释放更好的反映路径的质量;退火思想同时用于信息素更新机制,避免算法早熟、停滞,较差的路径按照退火竞争机制释放信息素;由于每轮迭代最优路径释放信息素最多,对其进行3-opt优化,提高搜索效率。同时,新发现的最优路径允许释放更多的信息素,使得蚂蚁在后续迭代中能够记住这条新路径。实验结果验证了算法的有效性。     

一种新的全局优化算法——统计归纳算法

在多极值问题的优化领域 ,主要有模拟退火算法(SA) ,遗传算法 (GA) ,人工神经网络 (ANN)算法 ,它们都是基于对自然现象模仿的算法。该文从更基本的优化思想出发 ,基于概率论提出了一种新的全局优化算法——统计归纳算法 (SIA)。在一些标准测试函数以及“货郎担问题”(TSP)上的计算结果表明 ,该算法在智能性 (所需的函数计算次数 )和解的全局性方面都远远好于 SA和 GA。在中国 144个城市的 TSP问题实例中 ,它甚至很快就找到了比参考计算中给出的“目前已知的最优路径”更短的路径。从这一算法思想的角度 ,阐述了 SA和 GA为何对全局优化问题有效 ,以及SA和 GA各自固有的不足之处     

基于模拟退火算法的最优层叠滤波器设计

为了改进层叠滤波器的优化方法,提出基于模拟退火算法的层叠滤波优化设计方法,用来处理灰度图像.层叠滤波器是基于阈值分解发展起来的一种非线性滤波器,它的优化过程是对正布尔函数不断学习的过程.模拟退火算法是一种通用的优化算法,目前已在工程中得到广泛的应用,优化的时间相对于遗传算法要短.仿真结果可知,应用模拟退火算法的优化层叠滤波器,可有效滤除噪声和保持图像细节.     

模拟退火算法及其在非线性地学模型参数估计中的应用

分析了目前地理学研究中进行非线性模型参数估计的一些方法的局限,介绍了模拟退火算法的原理及基于Metropolis准则的算法,进行了实例的应用研究。研究结果表明,模拟退火算法是估计非线性模型参数的一种有效算法;在地理学的其它优化问题研究中也将同样有着重要的应用价值。     

非线性规划问题全局优化的模拟退火法

在无约束非线性规划问题全局优化的模拟退火算法基础上，进行有约束问题求解的进一步探讨，对不等式约束条件提出了检验法和罚函数法的处理方法，对等式约束条件开发了罚函数法和解方程法的求解步骤，并进行了分析比较，从而形成了完整的求取非线性规划问题全局优化的模拟退火算法。通过对文献例题的计算，表明所提出的方法能够快速有效地求出有约束非线性规划问题的全局最优解     

基于模拟退火PSO-BP算法的钢铁生产能耗预测研究

针对BP对能源系统进行建模和预测的方法存在的问题,提出一种优化BP神经网络的模拟退火粒子群混合算法(SAPSO)。利用该混合算法优化BP神经网络的权值和阈值,然后训练BP神经网络预测模型以得到最优解,并将所建立的预测模型对钢企能耗进行预测。最后与BP神经网络以及最小二乘法进行比较。仿真结果表明该混合算法增强神经网络的泛化能力,具有相对误差小,预测精度较高,能更好地跟踪未来数据的优点。     

模拟退火定位算法研究

重点分析并研究了产生随机数的方式,模拟退火与二维定位算法结合的目标函数的形成,并以二维定位的模型数据的定位为实例进行了计算,取得了很好的效果,为模拟退火定位算法打下了一个基本的理论基础.     

单向SDH/WDM环中业务量疏导和波长分配

将单向同步数字序列/波分复用（SDH/WDM）环网络中的波长分配和业务量疏导表述为组合优化问题；通过对距离依赖业务量疏导问题的理论分析，得到一个该问题需要使用同步数字系列插分复用器（S-ADM）数量的下界DLB；运用模拟退火法对距离依赖业务量和均匀业务量的业务量疏导问题进行了数值求解，结果表明，数值结果与DLB非常接近；对均匀业务量情况，模拟退火法比贪婪算法能得到更好的结果。     

自适应变异的混合粒子群优化策略及其应用

提出了一种新的基于群体自适应变异和个体退火操作的混合粒子群优化（HPSO）算法．该算法将模拟退火过程引入到粒子群优化（PSO）之中，以PSO作为主体，先随机产生初始群体，并开始随机搜索产生新的个体．同时，使用自适应变异操作进行个体变异，对进化过的个体进行退火操作，以调整和优化群体．与模拟退火算法和基本PSO算法相比，HPSO保持了基本PSO算法简单、容易实现的特点，又能进行自适应变异．复杂函数优化和旅行商组合优化问题的实例验证表明，所提算法的全局收敛性较好，提高了摆脱局部最优的能力，有效避免了基本PSO算法的早熟问题．     

模拟退火算法机理研究

从机理上分析了采用Metropolis概率接受准则的重要性 ,认为按照该准则可以使模型跳出局部极小值 ,避免了落入局部极小点的可能 ,然后在退火计划的控制下模拟退火算法 ,最终可以找到最优解 ;深入分析了算法的退火计划和模型扰动 ,以及两者之间的配合的技巧 ,认为算法本身可以作进一步的改进 ;并提出了改进的思路 ,为下一步的具体改进打下了基础     

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。     

图像增强技术中的智能算法

提出了一种基于粒子群与模拟退火算法相结合的进化算法.该算法利用模拟退火算法全局收敛性好和粒子群算法收敛速度快等优点，通过交换这两种算法的信息得到最优解.将这种新算法应用于灰度图像的自适应增强，实例计算表明该算法稳定性好，在收敛速度和求解精度方面都优于遗传算法等一些其它进化算法.     

车辆路径问题的并行粒子群算法研究

设计了一种引入了模拟退火机制的并行粒子群算法.该算法结合了基本粒子群优化算法的快速寻优能力和模拟退火算法的概率突跳性,避免了基本粒子群优化算法易于陷入局部最优的缺点,提高了进化后期算法的收敛精度.将该算法用于解决车辆路径问题,实验结果表明该算法具有较好的性能.     

一类解决作业车间调度问题的遗传退火算法

将遗传算法与模拟退火相结合,提出了一种新调度算法,算法分成两步,首先利用遗传算法快速搜索一组较好解,然后利用模拟退火进行群体寻优,这样,既能克服遗传算法过早收敛的弱点,又能加快模拟退火的收敛速度,实验表明,该算法具有较高的求解质量和效率。     

利用模拟退火算法求大气压强公式

利用模拟退火算法识别大气压强公式中的参数,得到更精确的大气压强计算公式.该方法首先把参数识别问题转化为优化问题,然后运用模拟退火算法求出由多态方程推导所得大气压强公式中的大气比热比γ,从而得到更精确的大气压强公式.通过数值模拟,将本文得到的公式与其它文献给出的大气压强公式进行比较,结果表明用模拟退火算法所确定的大气压强公式精度更高.