模拟退火算法解决静态受限路由问题的研究

随着人们对网络的要求日益多样化,传统的无约束路由方式已经不能满足用户的需要,受限路由受到越来 越多的重视。应用模拟退火算法解决了光网络中的静态受限路由问题。研究了模拟退火算法在解决问题过程中 存在的过早收敛问题并分析了其原因,提出了相应的改进方案$实验结果表明,模拟退火算法在解决此类问题中 的过早收敛情况可以被有效解决。     

用模拟退火算法解决光网络中静态受限路由的最小费用问题

分析了用模拟退火算法解决静态受限路由问题.实验结果表明,利用模拟退火算法进行光网络的优化是一种比较可行的方法.     

波长路由全光网络动态RWA算法研究

研究了波长路由全光互联网的动态路由和波长分配算法。提出了一种新的动态RWA算法，此算法能有效地利用网络资源，并保证负载分布的平衡，引入优先级的波长分配策略很好地兼顾了网络资源分配的合理性。     

一种分布式局部时延受限的多播路由算法

时延受限多播技术对网络中的实时业务非常重要。为保证受限多播树的服务质量，提出了一种利用局部信息的时延受限多播路由算法。算法要求源节点具有局部信息，即源节点到每个目的节点的时延最短路径信息。此外，其他节点要保存相邻节点和链路的信息。仿真实验结果表明，该算法要好于最短时延树的性能。     

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.     

全光WDM网络中的动态波长路由算法

为了更好地解决路由与波长分配（RWA）问题，提出了一种基于当前路由的路由算法．研究了无波长转换机制下的波长路由型全光网，该算法利用分层图模型，在有限的波长数中，动态地调节选路策略，以求在波长连续性限制下有效地利用带宽资源．仿真结果表明，与常用的First-Fit（FF）算法相比，该算法显著地降低了网络呼叫阻塞率，同时它也能改变公平性．     

波长选路光网络中基于模拟退火改进的WA算法

结合波长选路光网络特性和图着色理论,通过模拟退火算法求解得到网络最小所需的波长数,从而对波长分配算法进行一定优化.与已有算法比较,采用模拟退火算法可以有效地消除波长分配的盲目性和随机性.利用计算机随机产生不同规模的正则随机网络和一定的流量请求,对网络进行仿真和比较实验,证明了新算法有更高的波长分配效率,以此求得的网络所需波长数,更接近理论最小值.     

WDM网络中基于改进蚁群算法的受限组播路由算法

针对波分复用(WDM)光网络中动态选路和波长分配(RWA)问题,提出了一种基于改进蚁群算法的分布式动态RWA方法.在蚂蚁选路的概率中加入成本因素,并且只增加优秀路径上的信息素,从而对现有蚁群算法进行了改进,加快了其收敛速度.作者将改进的蚁群优化算法与分层图相结合,提出了一种构造时延受限的最小代价组播树的并行算法.仿真结果表明,与现有最短路经相比,该算法有效降低光路阻塞率,促进波长资源的合理分配,同时分布式的计算方法也降低了现代频繁变化的大型光网络的通信开销.     

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。     

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.     

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.     

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．     

柔性作业车间调度优化的改进模拟退火算法

针对柔性作业车间调度问题,提出一种改进模拟退火算法来进行求解。该算法引入粒子群算法中的基于位置取整和基于轮盘赌两种个体编码方法,并采用3种不同的局部搜索方法来构造个体的邻域结构。算例计算表明,改进模拟退火算法在求解柔性作业车间调度问题时,比粒子群算法、混合粒子群算法以及模拟退火算法具有更好的求解性能,其中采用轮盘赌编码时,算法的求解性能要优于采用位置取整时的求解性能,且基于互换的局部搜索方法要优于其他两种局部搜索方法,能更有效地改善算法的求解性能。     

改进模拟退火算法在图像配准中的研究

为了实现图像的配准，提卅了使用模拟退火算法求解2幅图像的最佳匹配参数，然后对待配准图像进行变换，从而达到配准目的．实验表明，该方法对平移、旋转的2幅图像具有较高的配准精度和初值鲁棒性，其中的改进算法，即单纯形一模拟退火算法可以使优化解不陷入局部极值而获得全局优化解，具有更高的配准精度，同时也大大提高了运算效率．     

遗传退火进化算法在背包问题中的应用

从增强算法收敛性和减少参数依赖性的角度出发，提出应用遗传退火进化算法求解背包问题，遗传退火进化算法结合了遗传算法和模拟退火算法的优点，并有效地克服了各自的弱点，使其在优化性能、优化效率和可靠性方面具有明显的优越性．阐明了用该算法求解背包问题的具体实现过程，并通过实际数值计算和结果比较表明，该算法优于遗传算法和模拟退火算法．     

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。     

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.     

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。