实码退火遗传算法在厂内经济运行中的应用

针对一般优化算法在大型水电站厂内经济运行中精度低或计算速度慢的缺点,对实数编码退火遗传算法（AGA）进行改进,并用于大型电站厂内经济运行.模拟退火算法是在遗传算法（GA）中引入模拟退火算法（SA）,它吸收了遗传算法速度快和模拟退火精度高的优点.此外,对传统退火搜索方法的改进,进一步提高了退火遗传算法解决大型优化问题的能力.为了体现退火遗传算法的特点,对某一大型水电站分别采用退火遗传算法、动态规划（DP）、加速遗传算法（AG）、标准遗传算法（SGA）和模拟退火进行了经济运行计算,计算结果表明退火遗传算法易于实现,精度高,收敛速度较快,有一定实用价值.     

基于遗传算法和模拟退火算法的混合算法

结合离散时间系统最优控制问题,提出一种新的混合算法.该算法是在遗传操作中嵌入模拟退火算子,有效地结合了遗传算法隐含并行与模拟退火算法全局寻优的特点,同时用罚函数方法处理约束条件,设计了专门的遗传操作算子,构造了相应的适应度函数,实现了离散时间系统的最优控制.实验结果表明,新算法既具有较快的收敛速度,又能够收敛到最优解.     

基于模拟退火与遗传算法结合的神经网络图像分割

为解决运用Hopfield神经网络优化算法处理图像分割存在的收敛速度与局部最优的矛盾,采用模拟退火策略与遗传算法结合的优化方法来改进传统的优化算法,对迭代收敛后的Hopfield网络在局部范围内运用模拟退火遗传算法,以搜索阈值平面全局最优解,进行图像分割。实验证明,采用此方法可以得到较好的分割效果。     

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．     

混合遗传算法的电力系统无功优化

针对遗传算法（GA）的局限性，提出了一种应用于电力系统无功优化问题的混合遗传算法（GASA）。实施了最优保留策略，改进交叉和变异操作，并结合模拟退火算法（SA）的Metropolis判别准则的复制策略，使寻优过程能够跳出局部最优解，从而形成了混合遗传算法。优化过程中考虑了电力系统无功优化自身特点，提高了计算效率。对IEEE30节点系统的仿真表明：该算法能够有效地提高收敛速度，避免早熟收敛。     

基于遗传模拟退火算法的改进K-medoids算法

针对标准K-medoids算法在大数据聚类应用中易陷入局部最优解以及聚类效果受初始中心限制的缺点,提出了基于遗传模拟退火算法的K-medoids改进算法。该算法结合遗传算法和模拟退火算法,可以增强标准K-medoids算法在聚类时的全局搜索能力,并加快其收敛速度。对比实验证明:这一改进有效地弥补了标准K-medoids算法的上述缺陷,达到了提高聚类效率、加快收敛速度、改善聚类质量的目的。     

基于混沌遗传算法的多目标QoS组播路由优化

针对遗传算法易发生早熟收敛的缺点,提出了一种既满足时延、时延抖动及带宽等约束,又能使通信代价最小的混沌遗传算法。该算法利用混沌扰动算子对种群进行扰动操作,增加种群的多样性,抑制遗传早熟收敛的发生,提高收敛速度。仿真结果表明了该算法的有效性、快速收敛性及稳定性。     

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．     

基于一类改进遗传算法的进化神经网络研究

分析传统遗传算法易早熟收敛的主要原因,提出一类改进的遗传算法以及一种基于改进遗传算法的前馈神经网络设计方法,用以同时完成对网络结构空间和权值空间的搜索。该算法将普通遗传算法的交叉算子和遗传算子进行改进,利用模拟退火算法、BP算法和小生境技术来加快算法的收敛速度,改善解的性能。通过对异或(XOR)、噪声模式识别等前馈神经网络性能的一组测试,与BP算法进行比较,实验结果表明,该算法能够有效抑制遗传算法初期收敛的发生,有效地提高多层前馈神经网络的收敛精度和收敛速度,由此得到的神经网络的泛化能力也较好,能够达到根据训练样本自动优化设计多层前馈式神经网络的目的,并可获得更为简洁的网络结构。     

基于融合遗传原理的蚁群算法在配电网故障恢复中的应用

本文对配电网的故障恢复问题进行了研究,提出了结合实际的配电网故障恢复目标函数,在分析了遗传算法和蚁群算法的基础上,结合遗传算法和蚁群算法的各自优点,提出了一种将遗传算法融入到蚁群算法的新策略,利用遗传算法的交叉操作产生蚁群算法的新的旅行路径,以此提高蚁群算法的全局搜索能力,构造了基于遗传算法的混合蚁群算法。实例分析表明,该算法具有较快的收敛速度和较强的全局搜索能力,避免了不成熟收敛,有效地提高了故障恢复的速度和精度。     

一种新型的混合遗传算法及应用

针对传统遗传算法中存在的早熟现象，提出了一种新型的混合遗传算法，它将自适应最优保存遗传算法与模拟退火算法有效地结合起来，使算法的局部搜索能力有极大的提高，有效地抑制了早熟现象的发生。     

基于智能处理的融合定位解算算法

对基于数据融合的定位解算算法进行了研究,在将遗传算法、模拟退火算法和经典的Chan氏算法性能比较的基础上,将遗传算法与模拟退火算法相结合,提出了基于数据融合的定位解算算法。仿真结果表明：融合算法的定位精度优于非融合算法,且运算量较小。     

一种局部搜索策略的遗传算法

提出了一种局部搜索策略的遗传算法（LSGA）,它是在每一代中通过遗传算法找到最佳个体,然后在最佳个体的附近进行局部搜索.6个基本的多峰测试函数优化结果表明：LSGA比具有精英保留选择机制的实数编码的遗传算法（RGA）的全局搜索能力强.     

混合遗传蚁群算法的改进及在TSP问题中的应用研究

蚁群算法（ACA）与遗传算法（GA）都属于仿生型优化算法,是解决组合优化问题的强有力工具,并都分别成功应用于旅行商问题（TSP）中。本文将两种算法进行融合,并给出了新的融合方式。实验结果表明,新的遗传蚁群混合算法有效地改进了算法的全局收敛性,并加快了收敛速度。     

基于混合遗传算法的制造车间布局设计

生产车间的布局问题是一个NP难问题,常规方法难以求解。针对这一问题,首先根据车间布局设计的最小费用原则,建立了生产系统设备布局的数学优化模型;接着,将遗传算法与模拟退火算法相结合组成混合遗传-模拟退火(GA-SA)算法,并将其引入到车间设备布局问题中,完成了算法操作设计;最后,给出了一个10区域车间布局算例。结果表明:该算法有较强的全局和局部搜索能力,能有效改善遗传算法过早收敛的问题,是优化车间设备布局的一个有效方法。     

基于模拟退火遗传算法的PID参数整定与优化

结合模拟退火算法和遗传算法的思想,提出模拟退火遗传算法,用此算法进行PID参数整定与优化．同时使用自适应交叉率、变异率以及适应度拉伸方法对传统遗传算法进行改进．模拟退火遗传算法有效抑制早熟,且具有收敛性快、全局寻优与局部寻优能力．仿真结果表明,基于此算法寻优设计的PID控制器动态品质和稳定性更好、鲁棒性更强．     

电力线多载波系统中自适应资源分配

针对电力线通信系统中应用传统粒子群算法进行比特功率分配存在陷入局部最优值和收敛速度慢的问题,提出了IPSO（improvedparticleswarmoptimization）算法．新算法通过引入遗传算法的交叉和变异操作,克服了传统粒子群算法由早熟收敛而陷入局部最优解的问题,加快了收敛速度．建立了IPSO算法的理论模型,给出了新算法在PLC—OFDM系统中进行比特功率分配的方法．仿真结果表明,在PLC—OFDM系统中应用IPSO算法进行比特功率分配与GA算法和传统粒子群算法相比．可以加快收敛速度．改善系统的信噪比特性．降低系统发射功率．     

基于遗传模拟退火算法的钢桁架结构优化设计

将遗传算法(GA)的全局寻优性能好和模拟退火算法(SA)的局部搜索能力强的优点相结合,提出了用于钢桁架结构离散变量优化设计的遗传模拟退火算法(SAGA).以十杆桁架为例对此算法进行了数值实验,并将实验结果与其他优化方法相比较.算例结果表明,遗传模拟退火算法的寻优概率是100%,平均进化代数为35代,其稳定性和求解效率均高于改进的遗传算法.实验结果显示,遗传模拟退火算法在整体搜索同时,采用退火操作进行局部搜索,提高了算法的局部搜索能力,有效克服了遗传算法迭代缓慢的缺点,把遗传模拟退火算法用于钢桁架离散变量的优化设计中是行之有效的.     

基于遗传模拟退火算法的矩形件排样

将遗传模拟退火算法运用在矩形件排样中,利用遗传模拟退火算法的全局搜索能力,寻找出排样件最优的排样次序(排列最紧密),再结合基于局部板材利用率最高的填充算法不断填充板材,获得近似总体最优的排样结果。此结果适合应用于大批量、多种类的矩形件优化样。     

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。