改进萤火虫算法及其在全局优化问题中的应用

针对标准萤火虫算法容易陷入局部最优的问题,本文提出一种改进的萤火虫算法。在标准萤火虫算法的位置移动公式中,利用指数分布和韦伯分布对吸引力项进行改进,以增强算法的全局探测能力;同时利用步长单调递减模式对随机项进行改进,以增强算法后期的局部挖掘能力。通过13个测试函数对本文提出的改进算法、模拟退火算法、粒子群算法和差分进化算法进行算法性能的比较。实验结果表明,本文提出的改进算法能较好地平衡算法的全局探测能力和局部挖掘能力,使算法跳出局部最优,从而提高算法的收敛速度和精度。     

基于自适应粒子群算法的机器人路径规划

针对粒子群算法在解决机器人路径规划中存在的路径易陷入局部最优、路径搜索后期收敛速度慢以及路径不平滑的问题,提出了一种基于模拟退火的改进自适应粒子群算法,该算法结合了模拟退火算法和粒子群算法的优点,路径搜索前期路径搜索速度快,路径搜索过程中路径具有概率突跳的能力,能够有效地避免陷入局部最优路径,而且利用3次样条插值使路径平滑,路径搜索后期路径收敛精度也很高。仿真结果表明,该算法在不同障碍物模型中均能够快速找到最短的平滑路径,而且效果优于传统方法。     

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。     

一种融合模拟退火的改进遗传算法多任务路径规划

针对多任务路径规划存在收敛速度慢、易陷入局部最优解的问题,文中提出一种融合模拟退火准则的改进遗传算法。利用栅格法对环境地图建模与栅格序号编码,通过融入Metropolis准则来判断是否接受新解。实验结果表明:在不同障碍物环境以及不同任务点个数下,提出的融合模拟退火改进遗传算法与传统遗传算法相比,路径长度和迭代次数分别提高了9%和67%,解决经典遗传算法过早陷入局部最优问题。     

基于模拟退火的粒子群算法在函数优化中的应用

为了克服标准粒子群搜索算法在函数优化中出现的迭代速度慢、精度低且易陷入局部最优等缺点,提出了一种基于模拟退火的粒子群优化算法.该混合算法利用模拟退火算法中的概率突变能力,在接受新解时既能接受好解也能以一定的概率接受坏解,能够跳出算法的局部最优解,不仅提高了算法的灵活性与多样性,还能提高粒子的多样性,从而获得了较强的全局与局部优化能力.对5个非线性基准函数进行仿真实验对比后发现,混合算法在非线性复杂函数优化中具有更好的寻优能力,表现出调节精度高,收敛速度快等优点,同时避免了"早熟"现象和陷入局部最优的问题.     

基于模拟退火的自适应调节位置区数目的位置区规划

提出一种基于模拟退火的新算法来划分位置区,采取自适应策略来调节位置区数目,并结合有效设计的模拟退火算子,克服了通常算法易陷入局部最优解的弊端,提高了算法的搜索效率．数据仿真实验表明了算法的有效性．     

求解Job-shop问题的改进混合离散粒子群优化算法

在详尽分析粒子群优化机理和作业车间调度问题的基础上,提出了结合遗传思想的混合离散粒子群优化算法.算法中增加了异于粒子个体极值点和全局极值点的第三参考点,使得粒子在更新过程中有更多的信息量调整自身状态.在粒子更新模型中引入了调整因子来调节收敛代数;在算法陷入局部最优时用模拟退火跳出局部最优,从而使算法收敛到全局最优.最后,对多个标准JSP问题进行了仿真测试,结果验证了改进算法的可行性和有效性.     

一种结合自适应惯性权重的混合粒子群算法

粒子群算法(particle swarm optimization,PSO)是一种容易实现且高效的优化算法,但该算法对各种参数反应较为敏感.本文针对经典粒子群算法容易陷入局部最优的不足之处进行研究,提出对经典粒子群算法使用自适应惯性权重并引入模拟退火法的思想来解决经典粒子群优化算法容易陷入局部最优解的问题.仿真实验结果表明,本文提出的混合算法与经典粒子群算法相比,不仅能够避免寻优过程中陷入局部最优问题,而且还具有收敛速度快、成功次数高、稳定性及寻优结果好等特点.     

基于SA算法的k-means聚类算法的改进

传统的k-means聚类算法常陷入局部最优,需要事先输入聚类数,这样会造成原有算法失效或聚类结果不准确。在研究现有聚类算法的基础上,使用ε-最近邻法剔除孤立点,提出一种改进的基于模拟退火算法的、具有自适应功能的k-means聚类算法。实验结果证明,提出的算法是可行的、有效的。     

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。     

Tent混沌和模拟退火改进的飞蛾扑火优化算法

针对标准飞蛾扑火优化算法存在的易陷入局部最优陷阱、全局寻优能力不足的问题,借鉴混沌序列、模拟退火算法和遗传算法,提出Tent混沌和模拟退火改进的飞蛾扑火优化算法.首先,通过Tent混沌序列初始化种群,增加种群多样性;然后对当前最优解增加扰动产生新解,并与当前最优解按比例杂交相加,根据模拟退火算法中的Metropolis准则判断是否接受杂交后的新解,最终获得最优解.分别使用复杂高维基准函数和航迹规划问题测试算法性能.其中,6个复杂基准函数寻优测试结果表明,对于10维基准函数,该算法经过约0.25秒收敛到最优值;对于50维基准函数,该算法经过约0.5秒收敛到最优值.与标准飞蛾扑火优化算法和其它智能优化算法相比,该算法能够有效跳出局部最优解,寻优精度更高,收敛速度更快.航迹规划仿真表明,对有4个禁飞区和2个威胁源的空域环境,该算法经过大约100次迭代可以得到最优航迹,与标准飞蛾扑火优化算法相比精度更高,具有实际应用价值.因此,该算法具有更好的寻优性能.     

SMA被动-自适用控制装置及结构地震反应控制分析

针对SMA被动控制装置减震效果不理想的问题,通过对SMA本构关系的分析,得出SMA弹性模量与温度的关系式,并对超弹性SMA和形状记忆SMA进行了材料性能试验研究.利用SMA弹性模量随温度变化特性和SMA超弹性滞回耗能特性,设计了一种新型SMA被动-自适用控制装置,并给出SMA控制装置最大输出控制力和等效刚度的计算公式.最后,针对某三层框架结构,分别在未控、主动控制和SMA半主动控制三种情况下,进行了地震时程仿真分析.结果表明:大震下框架结构底层位移和加速度反应幅值分别降低50.4%和41.7%,控制效果接近主动控制效果.     

混合优化策略的蛋白质折叠结构预测

为提高蛋白质折叠结构的预测精度,提出了一种融合改进模拟退火算法与序列二次规划法的预测策略.将序列二次规划法加入具有回火退火功能的模拟退火算法中,利用其局部最优化的能力对由模拟退火算法求得的全局优化结果进行二次优化,进而求得全局最优化结果.对所提方法进行了计算机仿真研究,并与其它方法进行了性能比较,实验结果表明,该方法能够有效提高蛋白质折叠结构的预测精度.     

磁性材料成型烧结生产调度优化方法及应用

建立以最小化提前和拖期时间、最小化炉重偏差为目标的混合整数线性规划模型, 解决磁性材料成型-烧结两阶段生产调度问题. 提出一种混合粒子群优化算法(HPSO)进行模型的求解,该算法采用基于订单的编码方式. 针对粒子群算法易陷入局部最优, 在迭代过程中引入模拟退火思想. 改进粒子群算法的全局极值和个体极值选取方式, 使算法尽快收敛到非劣最优解. 生产现场实际数据仿真结果表明: 该混合粒子群算法无论在求解精度, 还是求解速度上均优于普通粒子群算法和遗传算法.     

Revealing of the hierarchy community of the complex network by decomposition multi-objective optimization

A new algorithm for community detection of complex networks is proposed. The problem of community detection is considered as multi-objective optimization problem. Tradeoff among multi-objectives realizes the detection of the community structure in a wider spread space, the disadvantages of the traditional single optimization algorithm is overcome. The MOEA/D framework is adopted and the Tchebycheff decomposition technique is used. A simulated annealing based weighted-sum method is used to perform local search which can expand the search scope, and not easily fall into local optimal solution. Finally, simulation experiments are done to test the algorithm using artificial and reality networks. The results show that, compared with existing algorithms, the algorithm has a higher detection accuracy and a small amount of computation, and can reveal the hierarchy community structure of the complex network by Pareto optimal solutions.     

基于遗传算法的潜艇隐蔽航路规划

将潜艇隐蔽航路规划为多目标规划问题，提出一种基于遗传算法的搜索算法，它对航路的邻域进行由粗到细的搜索，能实现全局最优和改善搜索效率，信真结果表明进后的遗传算法虽然计算时间较长，但收敛性能和解的精度明显高于动态规划和模拟退火等算法。     

改进的模拟退火算法及其收敛性研究

高维连续函数的全局优化问题广泛存在于计算生物学、计算化学等诸多领域。针对这类问题，本文给出了一类改进的模拟退火算法，将局部极小化过程引入模拟退火算法。并采用一种简单的方法证明了该算法以概率1收敛于全局最优解。     

基于模拟退火算法的动力头优化设计

根据模拟退火算法的基本原理,定义了动力头优化的目标函数及各种约束条件,给出了模拟退火算法对动力头优化的具体过程.分析对比了常规退火算法同改进的退火算法及采用MATLAB工具箱中fmincon函数对动力头优化的结果.优化结果和实验分析表明,采用改进的模拟退火算法对动力头优化设计是获取问题最优解的好方法.     

双层规划模型的大规模UCAV编队队形优化

为解决复杂约束环境下大规模无人战斗机(UCAV)编队队形优化问题,提出基于双层规划模型的队形优化求解算法.以大规模UCAV编队空对地饱和打击作战场景为例,建立UCAV编队作战上层规划模型,通过采用离散粒子群-模拟退火(DPSO-SA)算法进行求解,得到执行每个任务的UCAV编号和最优队形;根据现有的编队作战队形库,建立编队中UCAV站位下层规划模型,通过采用遗传算法进行求解,得到UCAV在队形中的位置.仿真结果表明:在上层规划模型中引入改进模拟退火算法,可以解决离散粒子群算法易陷入局部极小值的问题;设计双层规划模型,可以解决DPSO-SA算法后期收敛速度慢的问题.相对于单层规划模型,双层规划模型求解大规模UCAV编队队形优化问题收敛速度更快,寻优效果更好.     

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.