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．     

基于确定网络的多级物流网络优化设计

针对已存在的多级物流配送网络没有充分考虑配送节点的可能状态的问题,根据一段时期产品的需求量不同等特点,通过动态调整节点关闭状态,以最小化企业物流网络的总体费用为优化目标,构建了可描述带能力约束的多级配送网络设计问题的优化模型.根据物流配送网络设计问题的特点,基于模拟退火算法思想,结合该模型对算法做出了改进,并使用改进后的模拟退火算法对模型进行求解分析.算例的计算结果表明,该优化方法运算快捷,所求结果合理,是解决相关物流问题的一种有效方法.     

基于链式遗传-模拟退火混合算法的电网扩展规划

将模拟退火机制引入到食物链生态进化算法,提出了链式遗传-模拟退火混合算法（CAGSAH）,对种群执行并行退火操作,弥补食物链生态进化算法爬山能力不足,提高算法全局寻优能力。给出了链式遗传-模拟退火混合算法的详细计算流程,并将其应用到求解电网扩展规划问题,实际计算结果显示链式遗传-模拟退火混合算法在搜索效率及收敛性能上明显优于食物链生态进化算法。     

混合优化算法

对连续函数的优化问题,本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。     

WSNs中基于蚁群模拟退火算法的移动Agent访问路径规划

关于无线传感器网络(WSNs)中移动Agent(MA)路由规划问题的解决方法,基本都以把它抽象成为一个无向全连通图(Completely Connected Graph)作为分析的前提,但一跳网络在实际的WSNs应用中并不合理。文章提出一种适用于多跳WSNs的基于蚁群模拟退火算法(ACA-SAA)的移动A-gent访问路径规划模型。在Sink节点建立包含源节点在内的本地网络节点关系表LNNRT,将MA访问路径分解为定向子路径、数据融合子路径和返回子路径,利用ACA-SAA算法分别对子路径的解进行进化计算以求得最优解路径。仿真结果表明,随着网络规模的扩大,该优化模型优势明显,ACA-SAA表现出比SAA和ACA算法更好的性能。     

基于粒子群与模拟退火相结合的无功优化算法

针对电力系统无功优化采用粒子群算法容易陷入局部最优、模拟退火算法约束条件多和收敛速度慢的问题,提出一种新的基于粒子群与模拟退火相结合的算法.该算法根据粒子群的易实现性、快速收敛性及模拟退火的全局收敛性,进行协同搜索,求取系统无功优化的解集.对IEEE14、57、118节点系统进行了无功优化仿真计算,结果表明该算法原理简单易实现,计算效率高且能获得质量更高的解.     

基于粒子群与模拟退火相结合的无功优化算法

针对电力系统无功优化采用粒子群算法容易陷入局部最优、模拟退火算法约束条件多和收敛速度慢的问题,提出一种新的基于粒子群与模拟退火相结合的算法.该算法根据粒子群的易实现性、快速收敛性及模拟退火的全局收敛性,进行协同搜索,求取系统无功优化的解集.对IEEE14、57、118节点系统进行了无功优化仿真计算,结果表明该算法原理简单易实现,计算效率高且能获得质量更高的解.     

GA-SAPSO神经网络模型的构建

BP神经网络存在寻优参数多、收敛速度慢、易陷入局部极小的固有缺陷,为改进其网络性能,本文利用遗传-模拟退火粒子群算法（GA-SAPSO）对BP神经网络的初始权值及神经元阀值进行优化处理,并重新构建网络模型.实例仿真结果表明：所构建模型降低了BP网络结构的复杂性,避免了网络参数选取的盲目性,提高了网络的计算精度.     

一种用于BN结构学习的自适应遗传退火算法

模拟退火算法（SAA）和遗传算法（GA）作为智能算法是结构学习的重要方法．针对两种典型算法存在收敛速度慢或过早陷入局部最优的问题,利用GA进行选择,通过SAA进行搜索并利用独立性测试信息自适应引导算法的进化,提出一种自适应遗传模拟退火算法（AGSAA）,应用于贝叶斯网络（BN）结构学习．仿真结果表明AGSAA在学习的准确性和运行效率上均要优于SAA．     

一类模拟退火算法与遗传算法混合优化策略

提出一类模拟退火算法（GA）和遗传算法（SA）的混合策略。算法结构上,提出模拟退火算法与遗传算法相结合,既发挥模拟退火算法搜索面广、遗传算法收敛快的优点,又克服前者收敛速度较慢而后者收敛容易早熟的问题。在算法操作细节上,加入杰出个体保护策略及自适应调整的遗传操作,以及增加记忆功能的模拟退火操作与收敛准则。从而既防止算法陷入局部最优,又提高收敛速度及搜索效率。     

基于TSP问题的远航程无人水下航行器路径规划研究

针对远航程无人水下航行器的路径规划问题,本文提出了一种基于旅行商（TSP）问题的路径规划的新方法。阐述了TSP问题的基本原理,并采用了模拟退火算法和遗传算法进行了仿真研究,获得较好的仿真结果。     

混合遗传算法在车间作业调度问题中的应用

本文在对车间作业调度问题及其调度方法进行描述的基础上，将模拟退火算法引入遗传算法，提出了混合遗传算法(GASA)，并将其应用于解决车间作业调度问题。     

地球物理资料非线性反演方法讲座（十一）模拟原子跃迁反演法

模拟原子跃迁反演法源于原子物理学,它模拟了物理学中原子从激发态向基态跃迁的物理过程。模拟原子跃迁反演算法的基本思想是：将地球物理反演理论中的反演目标函数生成目标能级函数,然后通过能级跃迁过程使模拟的系统最终达到系统能级最小值的过程。模拟原子跃迁反演法是利用了地球物理反演问题求解过程与原子中能级跃迁过程的相似性建立的一种新的地球物理反演方法。本讲座概要地介绍了模拟原子跃迁法的基本原理、目标能级化过程、能级跃迁、模型搜索及解的接受准则及模拟原子跃迁法的实现过程,并给出了模拟原子跃迁法对典型测试函数和大地电磁资料反演,最后总结和归纳了模拟原子跃迁法的特点。     

BP神经网络的量子学习及应用

在神经网络的训练过程当中,引入量子遗传算法,结合BP梯度下降反传训练方法构造神经网络的量子优化算法。利用量子运算的高效并行性,对神经网络实行量子编码,用量子门旋转来代替网络进化时交叉、变异等更新操作,使得网络训练收敛精度高、收敛速度快、同时避免陷入局部最优的缺点。最后提出了一种基于量子神经网络的预测方法,仿真结果表明,基于量子遗传算法的神经网络,训练次数,误差精度以及预测能力都明显优于BP神经网络。     

基于遗传算法的分层覆盖网络组播树构建

依据NICE网络协议组织网络节点，提出一种分层覆盖网络组播树模型，其基于K-Mediods和遗传算法对组播服务节点MSNs选择，构建覆盖网络分层组播树。根据覆盖网络中组播服务节点的特点，引入基因差异控制和变异精英控制策略，对遗传算法中的交叉和变异算子进行修正，限制适应度差的个体生成，在缩小搜索空间、加快收敛速度的同时，提高算法的全局寻优能力。理论分析和仿真结果也表明，该模型不仅有效克服了传统K-Mediods算法模型易陷入局部极小值的特点，而且明显避免了对初始中心选值敏感的问题。     

GASA—SVM改进算法及其在柴油机供油系统故障诊断中的应用

针对目前支持向量机（SVM）参数选择的盲目性,结合遗传算法GA的并行搜索和模拟退火算法sA的概率突跳特性,提出一种改进的基于遗传退火算法（GASA）混合策略优化支持向量机惩罚函数和核函数参数的GASA-SVM算法。利用柴油机供油系统油压波形的实测数据,归一化处理后作为诊断模型的特征值,建立了基于GASA-SVM的柴油机供油系统故障诊断模型。通过与BP神经网络、RBF神经网络、SVM和GA-SVM故障诊断模型比较表明：应用GASA．SVM建立的故障诊断模型在故障识别准确性上优于其它网络模型,能够有效进行柴油机供油系统的故障诊断。     

基于模拟退火算法的Hopfield神经网络参数优化

为解决Hopfield神经网络应用过程中参数设置的问题,在研究Hopfield神经网络的工作原理的基础上,分析了神经网络模型在求解TSP（TravelingSalesmanProblem）问题过程中参数的选取,通过对输出数据进行归一化处理建立网络的评价函数,然后引入模拟退火算法对参数进行最优化选取。实验结果表明,经过参数优化过的Hopfield神经网络模型能更有效,更快速地得到TSP问题的最优解。