改进的混合级联遗传算法

将模拟退火算法和级联遗传算法相结合,提出了一种改进的混合级联遗传算法。模拟退火算法承认物种进化过程中的局部失败和倒退,它允许进化中的波折而不是非要物种进化一直是上升的、成功的,模拟退火算法能使搜索过程避免陷入局部最优解。级联遗传算法假设问题的最优解总是靠近于问题的局部最优解的,据此,级联遗传算法通过不断缩小解空间达到快速收敛的目的。综合运用这两种算法,可克服模拟退火算法收敛速度慢、级联遗传算法局部搜索能力差的缺点。利用本算法构造CL多小波前置滤波器的实验结果表明,本算法不仅计算速度快,而且稳定性也得到了显著提高。     

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．     

遗传退火进化算法

提出了一种瓣的将模拟退火和遗传算法相结合的进化算法，避免了遗传算法中存在的早熟收敛的问题，增强了算法的全局收敛性，并且提高了算法的收敛速度。     

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.     

一种新的基于小生境模拟退火的遗传算法

针对模拟退火遗传算法中不合理替代方式以及孤立的比较机制,提出一种新的基于小生境模拟退火的遗传算法.通过温度的逐步降温,可以在进化早期增强种群多样性,而在进化末期加速算法的收敛过程,有效克服了遗传算法容易早熟、局部搜索能力差的缺点.同时算法还使用了最优保留策略替代了轮盘赌选择算子,从而有效地减少了适应度相对高的个体在种群中快速扩散的可能性.研究结果表明:与常见的模拟退火遗传算法相比,新方法能够有效提高遗传算法的收敛性能.     

自适应SAGA算法进行全局寻优的研究

遗传算法以概率转换规则为基础,在给定问题的潜在解集中进行广泛搜索,具有很强的全局寻优能力,但收敛速度慢。模拟退火算法理论上只要计算时间足够长,就可以保证收敛于全局最优点。但是在实际算法的实现过程中,由于计算速度和时间的限制,全局寻优点的效果并不理想。将遗传算法和模拟退火相结合,提出一种混合的自适应遗传算法,可以提高收敛速度并改善全局寻优性能。     

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.     

用混合遗传算法求解物流配送路径优化问题

为了改善物流配送路径优化问题的运算质量,提出一种将遗传算法和模拟退火算法相结合的混合遗传算法。通过仿真 实例验证,证明混合遗传算法的解优于单纯使用遗传算法和模拟退火算法所得到的解,同时混合遗传算法与传统优化算法相 比收敛速度更快,分配结果更优良,具有很好的应用价值。     

一种改进的遗传算法

传统的遗传算法有两个严重的缺点,即不能有效地克服过早收敛现象,以及在进化后期搜索效率较低。模拟退火算法是基于金属退火的机理而建立起来的一种全局最优化方法,它能够以随机搜索技术从概率的意义上找到目标函数的全局最小点。本文将遗传算法与模拟退火算法相结合,提出模拟退火遗传算法,实验结果表明,该算法在性能上有较大的提高。     

生物组织热物性参数辩识的遗传优化

基于探针测量生物体有限个温度点来辩识热物性参数的理论,提出利用一种混合遗传算法来优化生物组织热物性参数,该混合遗传算法是将标准遗传算法与模拟退火算法结合,不但增强了遗传算法的全局收敛性,而且使算法在进化后期有较强的爬山性能,加快了进化后期的收敛速度．     

基于遗传算法和模拟退火算法优化神经网络的铁路营业里程预测

提出应用遗传算法(GA)和模拟退火(SA)优化神经网络预测铁路营业里程.采用3层前馈神经网络实现铁路营业里程的时间序列预测,输入节点数为5,隐层节点数为8,输出节点数为1.对神经网络的连接权重和节点阈值的确定,采用GA和SA算法相结合的混合优化学习策略.两种算法结合时,SA算法处于外层,GA处于内层.GA采用实数编码,把要确定的神经网络节点连接权重和节点阈值作为基因串.数值计算结果表明混合优化的神经网络的学习速度和精度都比单纯BP算法得出的结果好.因此,用GA-SA混合优化的神经网络预测铁路营业里程是可行的.     

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.     

基于遗传算法的波分复用环网业务疏导

通过把波分复用环网中的业务疏导问题归结为组合优化问题，提出了一种基于遗传算法的业务疏导算法，该算法可用于单向环网或双向环网，并适用于任何类型的业务需求，数值结果表明，该算法的性能优于贪婪算法，总体和模拟退火算法相当，甚至在某些方向还优于模拟退火算法。     

Fast docking of drug molecules to their receptor

AEDock based on AutoDock2.4 is developed with annealing evolution algorithm (AEA) in place of simulated annealing algorithm (SA) for supermolecular conformation searching. Because AEA takes advantage of both the genetic algorithm (GA) and the simulated annealing algorithm, the results of AEDock show that AEA can predict the binding conformations of ligands with up to 10 rotatable bonds to a rigid macromolecular target. The case of 1 hvr is only one of six cases where SA in AutoDock 2.4 failed to find an energy less than that of the crystal. It is used here to compare the performance of SA with AEA. The results of comparison show that fewer states are needed in AEA than in SA, but the success rate of AEA is much higher.     

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     

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。     

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     

基于生产费用的柔性作业车间调度优化

考虑在制品库存费用、机床工时费、直接工人的工资费用、工件的提前和拖期完工造成的损失费用,提出了一种双资源柔性作业车间调度的生产费用计算方法.将模拟退火算法嵌入遗传算法中,设计了一种新的混合遗传算法.该算法首先利用遗传算法快速搜索一组较好的解,然后利用模拟退火算法进行群体寻优.采用基于工序的编码和一种新的解码方法,并运用多种交叉方法使得算法能够在解空间中尽可能地搜索最优解.为了避免最优解在进化过程中损失,采用择优操作将每代中的最优解保留下来,并不断更新.仿真结果表明:该方法是可行的,并具有一定的优越性.     

基于GA-SA算法的无人机巡检输电铁塔三维航迹优化

无人机巡检输电铁塔本体和金具、绝缘子等附属部件的航迹优化属于典型的旅行商问题。由于巡检对象的结构复杂、巡检部件多,采用单一的启发式算法会造成航迹重叠、容易陷入局部最优解等问题。为此,考虑无人机航迹三维空间结构的特点,引入全局搜索能力强的遗传算法(genetic algorithm, GA)与局部收敛速度快的模拟退火算法(simulated annealing, SA)相结合的无人机三维航迹混合GA-SA寻优算法。以无人机巡检500 kV超高压交流双回鼓型塔为例,根据三维有限元仿真得到的无人机电磁防护安全距离为2 m,结合巡检对象及常见缺陷出现的位置确定了61个高空安全悬停点,分别采用GA、SA和混合GA-SA算法对无人机遍历高空安全悬停点的航迹进行优化。结果表明：混合GA-SA算法的迭代收敛次数相比GA和SA分别减小了45.6%与55.2%,最优航迹距离分别缩短了8.1%与8.9%,验证了所提方法的有效性。