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．     

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.     

一维下料问题的自适应广义粒子群优化求解

针对现有粒子群优化算法在求解组合优化问题时粒子速度迭代难以定义的问题,首先将粒子群优化算法与遗传算法相结合,利用交叉算子、变异算子,提出一种广义粒子群优化算法来求解一维下料问题;然后引入模拟退火算法作为自适应策略,避免算法陷入局部最优.仿真实验结果表明,采用自适应广义粒子群优化算法求解一维下料问题具有高效性和鲁棒性.     

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。     

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。     

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。     

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。     

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。     

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。     

退火-遗传算法寻优及其实现

分析了遗传算法及退火算法的优缺点，提出用退火算法改进遗传算法局部的最优值搜索效率低问题。退火算法与遗传算法融合后，使算法在寻优结果上更加迅速精确。通过水泥的配比工程实例，与单纯的遗传算法的结果进行对比，说明该方法是有效的。     

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．     

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。     

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。     

不规则货物的摆放算法研究

货物摆放问题不同于传统的排样问题,不仅要优化平面布局,还必须兼顾货物的运出。为解决摆放问题,先结合问题自身的特点做适当的预处理,然后采用遗传模拟退火算法得到一个预定优化方案,并通过碰撞检测修正该方案,确保货物都能运出仓库。实例表明算法是有效的,并且具有很好的通用性。     

退火贪婪混合遗传算法

提出了一种将贪婪算法和退火算法相结合的新型混合遗传算法,提高了算法的收敛速度,同时避免了遗传算法中存在早熟收敛的问题.     

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。