混合启发式算法在排课问题上的应用

对排课问题做出了形式化描述,提出了一种用于排课的混合启发式算法,该算法合并使用了模拟退火和迭代局部搜索两种算法。先依据图着色算法产生初始可行解,然后应用模拟退火算法寻找最优解,为使算法更好地跳出局部最优,实现全局搜索,在模拟退火算法应用过程中,迭代使用两个邻域,标准邻域和双Kempe链邻域。实验结果表明,此算法能够很好地提高解的质量。     

在中学排课问题中实用的模拟退火算法应用

针对中学排课问题,提出了一种分阶段的模拟退火算法解决方案.中学排课问题难点主要在于如何解决课表中存在的大量冲突以及如何优化课表.初始化随机生成一张带有冲突的课表,经过算法第一阶段,人工干预异化解结构,使课表可行;算法第二阶段引导性的改变课表结构使课表满足通用的软约束条件;算法第三阶段采用启发式随机邻域异化操作,变异课表,产生更优解.为了满足实际生产环境中对课表多元化的需求,在UI界面中提供可以手动调节课表机制.经过实验发现,改进后的模拟退火算法在解决中学排课问题时收敛速度更快,运行效率更高,并且在迭代次数较少的情况下,也能产生可行解.     

基于模拟退火的动态聚类算法

提出了一个基于模拟退火的动态聚类算法，用模拟退火的全局优化能力来解决常规动态聚类方法中聚类结果对初始中心的敏感性问题，仿真结果表明，它是一个具有全局最优解的动态聚类方法。     

基于遗传模拟退火算法的移动机器人路径规划

针对移动机器人路径规划的难题,运用了一种基于遗传模拟退火算法的移动机器人最优路径规划方法,对移动机器人的路径规划进行了设计,采用了栅格法对环境进行建模.为了提高路径规划的效率,采用了一种改进的避障算法来生成初始种群.将遗传算法与模拟退火算法相结合形成遗传模拟退火算法,新算法具有较强的全局和局部搜索能力.仿真实验结果证明算法相对于基本遗传算法的收敛速度、搜索质量和最优解输出概率方面有了明显的提高.     

基于改进模拟退火混合算法的移动机器人全局路径规划

利用改进模拟退火算法与共轭方向法组成混合全局优化算法,对移动机器人全局路径规划进行求解.该混合全局优化算法先用共轭方向法搜索局部最优解,再用改进模拟退火算法跳出局部最优解,依此更新温度值.如此反复操作,直至找到全局最优解.仿真结果表明该算法具有较好的优化效果,能快速收敛到全局最优解.     

GP、SAP算法比较研究

针对规划问题,引入了固定结构解的描述形式,指出其离散量与连续量混合的多峰值优化的特点.在此基础上提出了固定结构遗传规划算法(GP)、模拟退火规划算法(SAP),并进行了算法分析.最后通过实验对四个典型优化函数的优化进行了比较研究.研究与实验结果表明SAP算法综合考虑了结构优化与参数优化,具有收敛效率高、获得更优解概率大...     

基于改进模拟退火算法的移动机器人路径规划

提出了一种新型改进模拟退火算法,对移动机器人路径进行了全局优化。该算法不仅继承了经典模拟退火算法能达到全局最优解的优点,而且其收敛速度远远优于经典模拟退火算法。仿真实验研究表明:这种改进模拟退火算法全局寻优能力强,收敛速度快,显著提高了求解移动机器人全局路径规划的效率。     

TTP在高校排课中的研究与应用

本文立足农林职业技术学院的实际情况,运用多阶段决策技术和动态规划技术对排课问题进行了分解,在分析现有软件系统算法的基础上。提出了一种新的多阶段自动排课算法MACA（Multistage Auto—arranging Course Algorithm）,并在此基础上建立了一个通用的排课系统．能有效的满足各种排课需求。     

采用改进的混合遗传算法求解高校排课问题

为了解决一个存在大量合班现象的高校排课问题,建立了相应的数学模型并采用改进的混合遗传算法进行了求解。在产生初始种群的过程中进行了乱序处理,以提高初始种群中个体的多样性,避免早熟收敛现象的发生;为了防止种群的退化,引入了保留最优个体策略和竞争机制;根据问题的特点设计了与之相适应的遗传算子;为了提高种群进化的效率,交叉概率和变异概率都使用了自适应参数;为了提高算法的局部搜索能力,在交叉操作阶段采用了模拟退火算法。通过Matlab与Access混合编程,实现了对大规模数据的高效处理。实例结果表明,该算法能够有效地解决存在合班现象的高校排课问题。     

改进模拟退火算法在TSP中的应用

为了有效优化旅行商问题(TSP)的旅行路径,通过分析传统模拟退火算法的优缺性,提出了一种改进扰动机制并结合分支定界的模拟退火算法。为了弥补模拟退火(SA)算法对初始解的依赖性,该算法首先通过分支定界产生一个较优的初始解,通过对SA温度参数和扰动机制的的有效控制,进行全局优化。采用TSPLIB中的标准库文件验证,测试的数据显示改进的SA算法和传统算法相比较,在针对此类问题的求解上有着良好的性能。     

A hybridized Lagrangian relaxation and simulated annealing method for the course timetabling problem

This paper describes a timetabling problem at universities, where a master course timetable is given extrinsically and conflicts due to students' course enrollment do not need to be considered. A solver for the problem, which integrates both teacher assignment and course scheduling, is described. An initial solution is obtained by a mathematical programming approach based on Lagrangian relaxation. This solution is further improved by a simulated annealing algorithm. The proposed method has been tested on instances from a university in Indonesia, as well as on several randomly generated datasets, and the corresponding computational results are reported.     

基于免疫规划的模拟退火算法

通过对模拟退火算法优缺点的分析，提出了一种新型的模拟退火算法——基于免疫规划的模拟退火算法。该算法借鉴了生物免疫概念与理论，将免疫规划的全局寻优能力与模拟退火算法的局部寻优能力相结合，克服了模拟退火算法运算效率低的缺点。理论分析和仿真结果表明，该算法不仅能够有效地保持种群的多样性，而且收敛速度和稳定性都有了明显提高，收敛到最优值的比例可达到91%。     

基于改进模拟退火算法的手写体数字识别

对模糊C-均值聚类作了简要分析和评论,在此基础上将模拟退火机制引入其中,以克服模糊C-均值聚类的局部性和对初始聚类中心的敏感性;采用了基于贴近度和择近原则的模糊识别方法;详细设计了算法。仿真结果说明,该方法在识别速度和准确率方面都达到了令人满意的效果,为手写体数字的识别提供了一种新方法,也拓展了模糊理论的应用范围。     

基于改进模拟退火算法的手写体数字识别

对模糊C-均值聚类作了简要分析和评论，在此基础上将模拟退火机制引入其中，以克服模糊C-均值聚类的局部性和对初始聚类中心的敏感性；采用了基于贴近度和择近原则的模糊识别方法；详细设计了算法。仿真结果说明，该方法在识别速度和准确率方面都达到了令人满意的效果，为手写体数字的识别提供了一种新方法，也拓展了模糊理论的应用范围。     

基于PSO的排课系统的实现

给出了一个基于离散粒子群（DPSO）的排课算法。针对具体需求,对排课系统进行了详细设计,利用C#语言在Microsoft Visual Studio 2005平台上实现了基于离散粒子群算法的排课系统,并以学校一个学期的课程表为依据对系统进行了评估。测试结果表明,粒子群算法不仅解决了高校复杂的排课难题,而且可使排课过程智能化、人性化。     

A NEW EXPERIMENTAL STUDY OF GENETIC ALGORITHM AND SIMULATED ANNEALING WITH BOUNDED VARIABLES

Genetic algorithms (GA) can work in very large and complex spaces, which gives them the ability to solve many complex real-world problems. The bounded variables linear programming is formulated as genetic algorithms and simulated annealing (SA). This article demonstrates that genetic algorithms and simulated annealing are much easier to implement for solving network problems compared with constructing mathematical programming formulations, because it is a very simple matter to implement a new cost function and solution constraints when using a GA and SA. Finally, the presented results show that the genetic algorithm and simulated annealing provide a good scheduling methodology to bounded variables programming.     

基于改进模拟退火算法的生鲜农产品配送中心选址

运用传统模拟退火算法解决复杂非线性规划问题,存在降温速度与求解质量之间的矛盾,已经不能满足生鲜农产品配送中心选址的需求。为解决这一问题,本文设计一种改进模拟退火算法的生鲜农产品配送中心选址方法。其核心思路是将遗传算法与模拟退火算法融合。首先在退火过程的搜索环节引入以配送中心为编码的染色体个体,并筛选出符合目标函数参数条件的染色体集;然后应用改进模拟退火算法实现选址过程的整体优化;最后采用山东省A公司生鲜农产品配送中心选址问题进行仿真模拟。实验对比结果表明,在多次选址求解过程中,改进模拟退火算法能有效减少传统模拟退火算法在运算后期大量迂回搜索、无效搜索的问题,提升生鲜农产品配送中心选址效率。     

基于模拟退火并行遗传算法的Otsu双阈值

模拟退火和并行遗传算法是两种较好的改进进化算法性能的方法。将这两种思想有机地结合起来,利用遗传算法能全局寻优的优势和模拟退火算法的爬山性能,提出了一种基于模拟退火并行遗传算法的Otsu双阈值医学图像分割算法。在该算法中,进化在多个不同的子群中并行进行,利用模拟退火算法的爬山性能,避免单种群进化过程中出现的过早收敛现象,提高整个算法的收敛速度。实验证明,这种新的图像分割算法与并行遗传算法相比,不仅能够对图像进行准确的分割,而且具有更强的精确性和稳定性。其收敛速度明显比并行遗传算法的Otsu双阈值医学图像分割快。     

混沌扰动模拟退火蚁群算法低碳物流路径优化

低碳物流是目前物流配送领域的热点研究课题,也是群体智能优化算法的重要应用方向。针对物流配送中碳排放的度量方法,以VRP问题为基本模型,以碳排放成本为目标函数,建立了低碳物流配送路径优化模型。为了避免基本蚁群算法出现停滞及早熟现象,提出了带混沌扰动的模拟退火蚁群算法来求解低碳物流配送路径优化模型。该算法将混沌系统及模拟退火机制引入基本蚁群算法,避免了算法陷入局部最优,增强了全局搜索能力,提高了求解效率。通过实验仿真及对比分析可知,带混沌扰动的模拟退火蚁群算法的求解结果明显优于基本蚁群算法,表明了该算法的有效性和合理性。