遗传退火算法及收敛性分析

针对模拟退火算法收敛速度慢和遗传算法存在种群退化问题, 将二者有机地结合在一起, 提出了遗传退火算法, 证明了该算法的收敛性. 仿真结果表明, 遗传退火算法既克服了模拟退火算法收敛速度慢, 又解决了遗传算法中种群退化问题. 该算法不仅适用于一般的组合优化问题, 也适用于目标函数不确定和可变的情况.     

基于遗传模拟退火算法的不规则多边形排样

将遗传授拟退火算法应用于计算机辅助排样领域，设计了一种基于遗传模拟退火技术的启发式排样算法．该算法能够处理不规则多边形的排样问题；同时，给出一种对象的几何表达方式，可以忽略高度不规则形状带来的复杂性影响．该算法通过基于遗传模拟退火算法的全局优化概率搜索，寻找排样件在排样时的最优次序及各自的旋转角度，然后采用基于左下角(BL)策略的启发式排样算法实现自动排样．     

平面连杆变幅机构轨迹综合遗传退火优化算法的研究

基于遗传和模拟退火两种算法的优点,提出了一种遗传退火耦合算法,并将该算法用于平面连杆变幅机构的轨迹优化,数值实验表明,该算法具有群体搜索、在有限遗传代数内以较大概率搜索到全局最优解等特点,同时,在求解连杆曲线非线性方程组中引入同伦算法,使算法具有大范围收敛性,从而保证了优化过程的稳定收敛。     

求解SAT问题的拟人退火算法

该文利用一个简单的变换，将可满足性（SAT）问题转换为一个求相应目标函数最小值的优化问题，提出了一种用于跳出局部陷阱的拟人策略，基于模拟退火算法和拟人策略，为SAT问题的高效近注解得出了拟人退火算法（PA），该方法不仅具有模拟退火算法的全局收敛性质，而且具有一定的并行性，继承性。数值实验表明，对于本文随机产生的测试问题例，采用拟人策略的模拟退火算法的结果优于局部搜索算法，模拟退火算法以及近来国际上流行的WALKSAT算法，因此拟人退火算法是可行的和有效的。     

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.     

基于免疫遗传退火算法的Web关联规则挖掘方法*

摘要：根据关联规则挖掘的要求与特点,结合免疫算法,遗传算法和模拟退火算法的优点,提出一个基于免疫遗传退火算法的Web关联规则挖掘方法。实验结果表明,与遗传算法和模拟退火算法相比,基于免疫遗传退火算法的关联规则发现在Web挖掘中具有一定的优势。     

遗传模拟退火算法在弹药装载中的应用研究

多约束条件下的弹药装载问题是一个复杂的组合优化问题，属于NP-完全问题，其求解是很困难的。本文在考虑弹药装载中各类约束条件的情况下，将模拟退火算法作了若干改进后，融入遗传算法，提出了一种遗传模拟退火算法来求解弹药装载问题。本文对该算法的遗传算子和冷却进度表进行了详细的阐述，给出了使用该算法求解弹药装载问题的具体实现方法。     

基于距离测度的改进自适应遗传退火算法

交叉操作和变异操作是遗传算法的两种基本操作,遗传算法的收敛速度在很大程度上与交叉概率和变异概率的选取以及交叉个体的配对策略有关.本文提出一种基于距离测度的改进自适应遗传退火算法,根据个体的距离密集度自适应地确定其交叉概率和变异概率.算法采用非等概率交叉配对策略,根据两个个体之间的距离自适应地确定交叉配对概率.此外,算法引入模拟退火机制,在遗传进化过程中的每一代,对最优个体进行邻域局部寻优,利用模拟退火进一步改善算法的收敛性能.对带边界约束函数优化问题进行了仿真计算,结果表明了该算法的有效性.     

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。     

基于文化混合优化算法的旅行商问题求解

为更好地求解TSP问题,将遗传算法与模拟退火算法结合并纳入文化算法体系,提出一种求解旅行商问题的文化混合优化算法。该算法空间可分为独立并行的两部分：种群空间和信度空间。种群空间按照遗传退火混合算法实现进化,并将进化中的较优个体提供给信度空间,信度空间提取并利用较优个体所包含的信息来引导种群进化。通过求解TSP标准测试问题,将文化混合优化算法所求得的最优路径与其他优化算法所求结果相比,算法偏差均可降低0.6%～13.01%,表明了文化混合优化算法求解TSP问题的有效性与优越性。     

基于SA的改进遗传算法的测试数据生成研究

测试数据的自动生成研究是软件测试的一个焦点问题,测试数据的自动生成可以提高测试工作效率,节约测试成本.考虑遗传算法(GA)和模拟退火算法(SA)各自优缺点,提出遗传/模拟退火(GASA)混合算法的策略,在标准的GA中融入SA,在GA的局部搜索中引入SA,SA的随机状态受限于遗传优化算法的结果,GA的种群更新是由SA的退温算法和随机状态产生函数来控制,从而得到最优解.GA-SA算法取长补短,提高了算法的全局和局部搜索能力,能避免GA过早收敛,提高了算法搜索最优解的能力.实验结果表明,GASA算法寻找最优解所需的迭代次数明显优于标准GA.     

无线传感器网络的改进GASA优化设计

无线传感器网络由大量传感器节点构成,因此对网络整体造价特别敏感．优化设计传感器网络构成,可以在满足监测精度的同时最小化网络造价．本文提出了一种GA和SA结合的改进GASA优化设计方法,解决由异类、多级传感器组成的无线传感器网络的优化设计问题．该方法采用特殊设计的排序组合算子提高GA的并行搜索能力．降低异类、多级传感器带来的复杂性;通过最优可行化处理加速搜索过程;利用SA的概率突跳特性避免陷入局部极小值,提高局部搜索能力．仿真实验表明,改进的GASA方法可以快速、有效地解决异类、多级传感器优化问题．     

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。     

基于混合遗传算法的车间调度问题的研究

提出了在柔性生产环境下基于遗传算法与模拟退火算法混合的动态调度算法,充分发挥遗传算法良好的全局搜索能力和模拟退火算法有效避免陷入局部极小的特性,有很好的收敛精度,并且能够在扰动发生后提供新的调度计划;通过交叉,变异等遗传操作、得到目标的最佳或次优解,最后对算法进行了仿真研究,仿真结果表明该算法是可行的,与传统的调度算法相比,其优越性是明显的。     

基于遗传退火方法的灰度图像阈值选择算法

灰度图像分割问题一般采用传统的最大类间方差法来解决,但是类间方差方法计算量大,不适合实时图像处理。为了解决上述问题,提出了一种改进型遗传退火的阈值分割算法。算法的整个运行过程由冷却温度进度表控制,使用经典的最大类间方差法作为遗传算法的适应度函数,再根据M etropolis准则判断产生的新解是否被接受,从而求得灰度图像的一个最佳阈值。图像分割的仿真结果表明,与传统的最大类间方差法相比,计算量不大,算法具有很强的全局优化搜索能力,由于算法效率高,收敛速度快,适用于实时性的灰度图像处理。     

一种GASA混合优化策略

结合遗传算法的并行搜索结构和模拟退火的概率突跳性,提出了一种高效的GASA混合优化策略,基于典型TSP问题的仿真研究表明,混合策略的优化性能较单一算法和启发式算法有很大改善。     

混合SPMD模拟退火算法及其应用

模拟退火算法由于有很好的数学特性－以概率1收敛于全局最优值,再加上其算法本身与特定的问题无关,因此被广泛地用于各种组合优化问题。但是,模拟退火算法又具有收敛速度慢,执行时间长,算法性能与初始值有关及参数敏感等特点,使得它在不少应用中成为一种低效甚至是不可行的算法。文中提出一种混合SPMD模拟退火算法,在克服经典模拟退火算法内在串行性的同时,进一步和下山法结合起来,并综合多种优化方法,在一定的处理机规模内取得了可扩展和并行效果,显著提高了算法的收敛速度,克服了算法性能对初始值和参数选择的过分依赖,在提高算法性能的同时,方便了算法的使用。该算法已在一个机群系统THNPSC－1上得以实现,并在材料科学的一个定量电子晶体学研究问题中得到应用,降低了该问题的求解时间,提高了求解质量。     

基于遗传模拟退火算法的门阵列布局方法

为实现门阵列模式布局,将遗传算法与模拟退火算法相结合,提出一种新的遗传模拟退火算法,利用遗传算法进行全局搜索,利用模拟退火法进行局部搜索,在进化过程中采用精英保留策略,对进化结果进行有选择的模拟退火操作,既加强了局部搜索能力又防止陷入局部最优。实验结果表明,与传统遗传算法相比,该算法能够有效提高全局搜索能力。     

基于模拟退火算法的多阈值图像分割*

针对多阈值图像分割时Otsu算法计算量过大的问题,提出基于模拟退火算法的阈值选取方法。首先依据最大类间方差准则,通过对直方图分析处理得到初始阈值向量,然后将该阈值向量作为初始解,利用改进的模拟退火算法逼近最优阈值向量。较之Otsu算法,该算法的计算量大幅减小,如实验中对图像的三阈值分割,运行效率提高了400多倍。结果表明,该算法能够快速、准确地实现多阈值图像分割。     

遗传和模拟退火融合的软硬件划分

针对嵌入式系统软硬件划分问题,在比较了遗传算法（GA）和模拟退火（SA）各自优缺点的基础上,提出了采用遗传/模拟退火混合算法（GASA）的策略。该算法的核心思想是将模拟退火算法嵌入到遗传算法中,利用遗传优化算法的结果来制约模拟退火的随机状态产生,然后根据模拟退火算法的接受准则和随机状态产生函数来更新遗传算法的种群,从而最终得到最优解。与单纯的遗传算法和模拟退火算法进行对比实验,实验结果表明,GASA更有优势,得到的划分结果也更优秀。