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。     

模拟退火算法的改进

本文分析了多目标优化问题和物体退火之间的关系.由于存在类比关系,使得模拟退火解决多目标问题成为可能,从而拓宽了模拟退火算法的应用范围.     

基于改进模拟退火算法求解TSP问题

对传统模拟退火算法的原理和不足进行分析,针对TSP问题的特点提出了改进的模拟退火算法.就传统模拟退火算法生成新解的随机性太强、参数设置不当不能搜索到全局最优解、容易丢失当前最优解等问题提出了新的初始解选择方案、新解生成机制和当前解的改良及增加记忆功能等方法.实验结果表明,新算法传统的模拟退火算法具有更快的收敛速度和更高的稳定性.     

基于模拟退火的改进粒子群算法研究

为克服粒子群算法在求解复杂的多峰问题时极易陷入局部最优解的缺陷,作者提出一种基于模拟退火的改进粒子群算法(PSOBSA).在PSOBSA算法中,每间隔若干代,对粒子的历史最优位置进行变异操作,以产生新的粒子;并采用模拟退火的思想,允许新产生的粒子的目标函数值在有限范围内变化;最后采用一种广义的学习策略提升种群收敛的概率.在基准函数的测试中,结果显示PSOBSA算法比基本PSO算法有更好的性能.     

模拟退火算法及其改进

介绍了模拟退火算法的背景、原理和具体实现方法，分析了它的不足之处，讨论了它的改进措施，并进行了仿真实验验证。     

基于模拟退火的排课算法

模拟退火算法应用在排课问题中，主要适用于具有均匀排课要求的排课问题，得到排课最优解。随机产生的可行解自然具有均匀性，而适当选取算法的控制参数，能加快获得问题的整体最优解或近似最优解的收敛速度。     

改进的非常快速模拟退火算法

在研究模拟退火机理分析的基础上,提出了一种改进的算法（MVFSA算法）的具体方案,目的是为了改进原算法（VFSA算法）中存在的缺陷,以提高算法的效率．在模型试验中,对改进后的算法与原算法的过程和结果进行了一系列的比较,发现改进后算法不仅保持了原算法全局寻优的优点,而且提高了算法的稳健性和效率．这就为模拟退火算法在更多方面的实际应用打下了良好的基础．     

基于模拟退火的万有引力算法

针对标准万有引力算法的个体位置更新策略可能对个体造成破坏且算法局部搜索能力较弱问题提出了一种改进算法。该算法将模拟退火思想引入万有引力算法,采用基于 Metroplis 准则的个体位置更新策略,并在引力操作之后,对每代最优个体进行退火操作。一定程度避免了个体移动的盲目性,提高了算法的局部搜索能力、收敛速度与精度。实验结果表明:算法的改进策略是有效的,且改进后的算法在收敛速度、收敛精度等方面具有明显优势。     

基于改进遗传模拟退火算法的测试优化选择

针对测试优化选择这一NP-hard问题,提出利用改进遗传模拟退火算法对其进行求解。由于遗传模拟退火算法直接应用在测试优化选择问题时,存在算法运行到后期时搜索过程冗长和交叉操作后父代与子代的染色体相似度高的缺点。因此采用非线性加速适应度函数提高搜索速度,同时在交叉操作前先对基因进行比较,剔除无效交叉以提高交叉有效性。最后,对典型实例(超外差接收器系统)进行测试优化选择,结果表明,优化后的遗传模拟退火算法达到收敛所需代数相比于遗传模拟退火算法减少13.3%;在满足故障检测率和隔离率的要求下,所需的测试代价与其它算法所得相比较小。因此优化后的遗传模拟退火算法可以更有效地解决测试优化选择问题。     

基于自适应模拟退火的改进混合粒子群算法

为了改善旅行商(TSP)优化求解能力,对模拟退火与混合粒子群算法进行改进,引入了自适应寻优策略。交叉、变异的混合粒子群算法,易于陷入局部最优,而自适应的模拟退火算法可以跳出局部最优,进行全局寻优,所以两者的结合兼顾了全局和局部。该算法增加的自适应性寻优策略提供了判定粒子是否陷入局部极值的条件,并可借此以一定概率进行自适应寻优,增强了全局寻优能力。与混合粒子群算法实验结果对比,显示了本文算法的有效性。     

基于模拟退火算法的敏捷化制造单元重构方法

根据单元重构的一般定性准则，提出了两个定量指标，有效地对单元重构目标进行了量化．根据这两个定量指标，构造了单元重构的目标函数，从而将单元重构问题改造成了一个多目标组合优化问题，并采用了模拟退火方法进行求解．克服了其他方法不一定有解以及受初始条件限制很大等问题．     

基于改进的和声搜索算法的特征基因选择

针对基因表达谱高维、小样本、高噪声及高冗余等特点,提出一种基于改进的和声搜索算法的特征基因选择方法。首先,采用Kruskal-Wallis算法对原始基因进行初选,降低和声算法搜索空间维数,保证和声搜索算法的优化精度和收敛速度;然后,针对和声搜索算法易陷入局部最优问题,对当前种群中最优、最差和声分别进行进化;同时融合教与学优化算法中个体更新方式,设计一种改进的和声搜索算法实现特征基因选择。仿真实验结果表明,方法在优化精度、时间效率和稳定性等方面优于HS、IHS、EHS和GHS等算法。     

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。     

基于改进的模拟退火算法的电力市场最优潮流分析

随着电力工业的发展,将最优潮流计算引入到电力市场经济性分析之中,具有及其重要的技术经济意义,而这是传统潮流计算所无法实现的。目前,已经将人工智能算法应用到最优潮流计算中,而模拟退火算法是近几年比较流行的一种算法,并广泛应用于电力系统最优潮流分析中。但传统模拟退火算法存在收敛速度较慢等缺陷,应用一种改进的模拟退火算法,弥补了传统模拟退火算法的缺点和不足,并结合电力市场最优潮流模型,对于电力市场经济性分析具有很高的效率和意义。     

基于AdaBoost人脸检测算法中的特征筛选方法

文章从机器视觉的发展历程出发,首先介绍了人脸检测的概念原理。接下来在引入AdaBoost算法后,详细阐述了算法中的关于积分图、特征值的计算方法以及强分类器的具体训练过程。在对训练效率进行科学分析后,文章重点介绍了一种基于降低错误率的贡献度的特征筛选方法,以减少垃圾特征对系统的资源的消耗和不良的影响。最后给出人脸检测的实验结果并得出结论。     

基于模拟退火算法的蛋白质空间结构预测

模拟退火是一种通用的启发式优化算法，将模拟退火思想用于求解蛋白质结构预测问题，计算结果表明利用SA算法得到的解优于目前常用的遗传算法和MonteCarlo方法．     

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．     

基于改进K-medoids算法的科技文献特征选择方法

根据科技文献的结构特点搭建了一个四层挖掘模式,并结合K-medoids算法提出了一个特征选择方法.该选择方法首先依据科技文献的结构将其分为4个层次,然后通过K-medoids算法聚类对前3层逐层实现特征词提取,紧接着再使用Aprori算法找出4层的最大频繁项集,并作为4层的特征词集合.同时,由于K-medoids算法的精度受初始中心点影响较大,为了改善该算法在特征选择中的效果,论文又对K-medoids算法的初始中心点选择进行优化.实验结果表明,结合优化K-medoids的四层挖掘模式在科技文献分类方面有较高的准确率.     

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。