求解TSP问题的改进模拟退火遗传算法

巡回旅行商问题（TSP）是最典型的NP的难题,遗传算法（GA）是解决这类问题的有效方法之一。由于该问题的解是一种特殊的序列,一般的交叉算子在该问题的求解效果方面并不理想,提出了贪心的3PM交叉算子,同时又引入退火选择方法,形成一种新的模拟退火遗传算法GCBSAGA（Greed Cross-3PM Based on Simulated Annealing Genetic Algorithms）。该算法还将模拟退火算法与遗传算法相结合,使得遗传算法在前期发挥着全局搜索的强大功能,很容易收敛到全局较优解;后期用模拟退火算法来处理遗传算法前期的全局较优解,充分利用模拟退火算法后期局部搜索的强大功能,最终收敛到全局最优解。经过国际公认的TSPLIB提供的实验数据的验证,GCBSAGA在实例eil76、eil101、pr144、st70均找到了比TSPLIB提供的最优路径更优的解。     

改进的退火遗传优化策略应用研究

地震参数反演属于典型的非线性优化问题。针对遗传算法和模拟退火算法各自的优缺点,将改进的遗传算法与模拟退火算法相结合,提出了改进的退火遗传算法（ISAGA）。该方法通过筛选和修复进行初始种群的选择,采用允许父代参与竞争的退火选择机制,并根据模拟退火思想对交叉和变异概率进行自适应的调整,从而增加了种群的多样性并提高了收敛速度。该方法既具备了遗传算法强大的全局搜索能力,也拥有模拟退火算法强大的局部搜索能力。经理论模型试算结果表明,该方法不仅收敛速度快,优化精度高,抗干扰能力强,而且避免了局部收敛和依赖初始模型等问题,计算所得反演参数更接近于实际观测值。     

基于遗传算法求解应急决策系统中的最优路径

提出了一种将模拟退火算法和遗传算法相结合的进化算法GASA,利用Boltzmann机制 接收交叉和变异后的个体,避免遗传算法中存在的早熟收敛问题,增强了算法的全局收敛性,并对遗 传算子(选择、交叉、变异算子)进行重构,引入新的交叉算子和变异算子能根据种群的进化情况动态 调整遗传算子,加速进化后期搜索效率。实验表明,将此算法用于应急决策系统的最优路径的求解中 与传统算法相比,能加速进化速度和全局寻优能力,提高应急决策效率。     

基于改进遗传算法的配电网主馈线分段开关配置

本文以分段开关接入配电网主馈线后系统的可靠性成本和效益为目标建立相应的数学模型。针对遗传算法收敛速度慢、易早熟等缺点,采用基于自适应模拟退火改进的遗传算法进行分段优化,引入自适应机制优化交叉和变异算子,同时引入模拟退火算法。将遗传算法的全局搜索能力强与模拟退火算法局部搜索能力强的特点结合起来,提高算法局部寻优能力,更快接近全局最优解,在保证解的质量的同时提高了收敛的速度。     

约束优化问题的混合遗传算法研究

如何处理约束条件与增强局部搜索能力是遗传算法用于非线性约束优化问题的线性约束优化问题的不足,提出了一种基于模拟退火算法与外点法的混合遗传算法,对于不满足约束条件的解用外点罚函数法来修正,同时把退火选择算子作为一个与选择、交叉和变异平行的算子,嵌入到实数编码的遗传算法中,来增强其的局部搜索能力.算法兼顾了遗传算法、模拟退火算法和外点法三者的长处,既有较快的收敛速度,又能以较大的概率求得非线性约束优化问题的全局最优解.最后以两个测试函数为算例对算法进行测试,验证了该算法搜索能力强、稳健性好,能获得更好的优化结果.实验结果表明引入外点法处理约束条件是可行的.     

一种用于BP网络优化的并行模拟退火遗传算法

针对模拟退火算法和遗传算法存在的不足，提出了并行模拟退火遗传算法，并用于3层BP神经网络优化。在适应度函数中引入模拟退火机制，采用排序、最优保存策略选择算子、启发式交叉和多点非均匀变异改进遗传算子，利用模拟退火算法产生新解增加搜索方向，并结合并行进化思想对经典遗传算法进行改进。通过对英文字母识别的仿真实验，表明该方法全局搜索能力、局部搜索能力和收敛速度都优于经典遗传算法。     

遗传模拟退火算法在组播路由选择中的应用

本文研究基于带宽、时延及时延抖动约束最小代价的QoS组播路由优化算法.针对遗传算法在求解多目标优化问题时局部搜索能力弱、易早熟的缺陷,提出了一种基于遗传算法和模拟退火算法混合策略的多目标优化方法.该算法采用树结构编码机制和改进的交叉和变异算子,利用模拟退火算法在可行解范围内构造邻域解集,采用种群早熟评价函数进行局部细化...     

基于遗传模拟退火算法的雷达正交信号设计*

针对雷达正交信号的波形设计问题,提出了一种基于遗传算法和模拟退火算法的新遗传模拟退火算法。该算法利用遗传算法实现全局搜索,利用模拟退火算法实现局部搜索,改进了遗传算法的选择策略,并在交叉、变异概率中引入自适应的概率变化机制,自适应地保存最优个体,并对遗传算法的进化结果有选择地进行模拟退火操作,有效地解决了这两种算法的早熟现象和时间问题。实验结果表明,该算法是有效可行的,性能优于传统遗传算法和模拟退火算法。     

求解矩形件优化排样的自适应模拟退火遗传算法

矩形件优化排样是一个NPC问题,在工业界有着广泛的应用.针对该问题,提出一种自适应模拟退火遗传算法.采用一种基于环形交叉算子和环形变异算子的自适应遗传算法来自动调整交叉和变异概率;同时引入模拟退火算法对个体适应度大于平均适应度的个体进行退火处理.自适应模拟退火遗传算法充分发挥了自适应遗传算法与模拟退火算法各自的全局搜索能力与局部搜索能力.对比实验表明,该算法结合改进的最左最下布局算法解决矩形件优化排样问题更加有效.     

改进Memetic算法求解集装箱码头泊位岸桥调度问题

针对集装箱码头泊位岸桥调度这一NP难题,提出了一种改进的Memetic算法。算法中采用三层染色体结构表示个体,通过改进顺序交叉算子和基于领域搜索的变异算子以避免个体超出可行域,在交叉和变异后采用改进的模拟退火策略进行局部搜索。试验算例表明该算法收敛速度较快,且能获得较好的满意解。     

基于GA-SA混合算法的VLSI门阵列布局设计

布局是VLSI布图设计中的关键环节，通常采用随机优化算法。该文采用遗传算法(GA)与模拟退火法(SA)相结合的搜索算法实现VLSI门阵列模式布局，利用遗传算法进行全局搜索，模拟退火法进行局部搜索。进化过程中采用精英保留策略，并对进化结果进行有选择的模拟退火操作，这样既加强了局部搜索能力又防止陷入局部最优。在复合布局目标函数中引入对最长线网的惩罚，其收敛速度比以总线长度为单一目标函数的要快。在交叉操作中，对交叉位置的选择采用了一种新的策略，增加了交叉的有效性。实验表明，此算法与简单遗传算法相比，有效地提高了全局搜索能力。     

多车型开放式车辆路线问题的混合启发式算法

多车型开放式车辆路线问题,是物流配送优化中不可缺少的环节。针对标准遗传算法存在收敛速度慢,局部搜索能力差,易早熟的缺点,采用混合启发式算法进行优化求解。采用实数序列编码,使问题变得更简洁;有针对性地构建初始解,提高了解的可行性;用基于排序的选择与最佳保留相结合策略,保证群体的多样性;引入部分算术交叉算子,加强染色体的全局搜索能力;利用模拟退火算法的Boltzmann机制,控制遗传算法的交叉、变异操作,提高了算法的收敛速度和搜索效率。仿真结果表明混合启发式算法在求解质量和计算效率上好于标准遗传算法。     

有约束的登机门分配问题混合遗传算法

为解决机场航班对登机门有约束的分配问题,提出一种遗传算法与模拟退火算法相结合的混合算法。设计一种编码方法,采用一个向量作为一种登机门分配方案,向量的元素位置表示飞机,元素表示分配给该航班的登机门,同时设计了与编码相应的不需再修正的杂交和变异算子。为了增加算法的局部搜索能力,且尽量不增加计算的复杂度,将模拟退火算法和遗传算法并行作用于相应的子群,并探讨该算法的收敛性。模拟实验结果表明,该算法在计算结果与稳定性方面均优于其他算法。     

模拟退火下布谷鸟算法求解车间作业调度问题

针对车间作业调度问题（JSP）,在标准布谷鸟算法的莱维飞行中加入自适应机制,寻优过程中引入二值交叉算子保持改进算法的种群多样性,最后在模拟退火框架下增强改进算法跳出局部最优的能力。通过标准算例对所提的改进算法进行实验仿真,结果证明了改进算法的正确性和有效性。     

用双种群混合遗传算法求解最优QoS划分问题

在取决于性能的价格机制下,最优QoS划分用于沿路由路径最优化地分配QoS参数值,以使得通信总费用最小。提出了求解最优QoS划分问题(OPQ问题)的双种群混合遗传算法。该算法充分利用了遗传算法的全局搜索优势和模拟退火算法的局部搜索优势,并且两个相互独立的子群体周期性的交流最优染色体,进一步提高了性能。仿真结果表明了该算法的有效性。     

基于融合算法的测试优化选择问题研究

测试优化选择是个集覆盖问题,而启发式算法是求解集覆盖问题的有效方法。文中将遗传算法、BP神经网络和模拟退火算法进行融合,提出了一种融合算法,该算法充分利用遗传算法全局搜索能力强、BP神经网络训练能力强和模拟退火算法搜索速度快的优点,既避免陷入局部最优的现象,又提高了搜索的效率和精度。该算法已应用于求解测试优化问题。实例证明,该算法能够快速有效地求得测试优化问题的最优解。     

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。     

改进的模拟退火遗传算法在函数优化中的应用

针对模拟退火遗传算法中可能出现的早熟收敛和后期进化较慢问题,提出了多规则选择算子,同时对交叉和变异算子进行了改进,引入了小生境技术解决早熟收敛问题。在此基础上针对函数优化问题设计了改进的模拟退火遗传算法。仿真实验表明,改进的算法在函数优化中,特别是在对多变量函数寻优中,收敛速度和收敛精度都有一定提高。     

基于自适应遗传模拟退火算法的矩形件排样

研究一种自适应遗传模拟退火算法,应用于矩形件优化排样问题。以整数编码矩形件的排样序列,采用经验选择与随机生成相结合的策略构造初始种群。运用自适应交叉和变异概率动态地控制遗传算法的收敛速度,通过模拟退火算法引导全局最优搜索,采用启发式最低水平线择优算法对排样序列进行解码,形成排样方式。多组对比实验结果表明,自适应遗传模拟退火算法求解速度较快,可以有效提高板材的利用率。