基于交叉因子和模拟退火的群搜索优化算法

针对目前标准群搜索优化(GSO)算法存在的一些缺点,提出一种基于交叉因子和模拟退火群搜索优化(CMG-SO)算法,通过与模拟退火算法的结合来改善算法的收敛性能,并借鉴遗传算法中的选择交叉操作增加粒子多样性,通过引入交叉因子增强群体成员优良特性,减小了算法陷入局部极值的可能.经过4个常用测试函数测试及与粒子群优化(PSO)算法、群搜索优化(GSO)算法对比,表明了该算法有较好的全局搜索能力和收敛速度,提高了优化性能.     

求解VSPSTW问题的混合差分演化算法

在描述带软时间窗车辆调度问题数学模型基础上,提出将模拟退火算法与差分演化算法相结合的混合优化算法求解该问题。该算法利用了模拟退火算法具有的较强局部搜索能力和差分演化算法的强全局搜索能力,克服了差分演化算法的“早期收敛”问题。实验结果表明,该算法比单一的差分演化算法计算效率高,收敛速度快,计算结果也比较稳定,是解决车辆调度问题的有效方法。     

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.     

引入模拟退火算子的差分进化算法性能研究

为了提高差分进化算法的优化性能,将模拟退火算子引入到差分进化算法中,利用模拟退火算子良好的全局搜索能力进一步提高差分进化算法对复杂问题的优化能力．通过对复杂函数优化的仿真结果表明,算法在求解复杂优化问题上具有更快的收敛速度和更好的全局收敛性．     

模拟退火算法在自动阻抗匹配器中的应用研究

介绍了基于搜索最优解的阻抗匹配调节原理,设计了以ARM7为核心的自动阻抗匹配系统.针对自动阻抗匹配器中使用的梯度下降搜索存在收敛速度慢和易陷入局部最优值的问题,提出将模拟退火算法应用于该系统,并给出了分析和设计过程.实验结果表明该算法收敛速度快,性能良好.     

PSOSA混合优化策略

本文提出了一种微粒群算法与模拟退火算法相结合的混合优化方法，该方法在群体进化的每一代中，首先通过微粒群算法的进化方法来控制微粒的飞行方向，然后利用模拟退火算法来拓展其搜索领域。这样既可以利用微粒群算法的收敛快速性，又可以利用模拟退火算法的全局收敛性。本文还证明了该混合优化方法依概率1收敛于全局最优解。仿
真结果表明，在搜索空间维数增大时，该方法的全局收敛性明显优于基本微粒群算法。     

直接搜索模拟退火算法的自适应改进

针对直接搜索模拟退火算法求解高维优化问题存在稳定性差、收敛成功率低现象,提出一种自适应的直接搜索模拟退火算法。该算法通过构造基于迭代温度动态调整搜索范围的新点产生方式和自适应寻优模块,增强了算法跳出局部极值和加快邻域搜索的能力,利用柯西分布状态发生函数的大范围遍历特点,弥补了直接搜索模拟退火算法求解高维多峰值问题易陷入局部解和计算效率低的不足。结合可行规则法处理约束问题,典型高维函数和工程优化设计实例的测试结果表明,该算法能够有效求解高维优化问题,整体性能较直接搜索模拟退火算法有显著提高。     

基于全局和声搜索的模拟退火算法改进

本文针对传统的模拟退火算法存在收敛速度慢的问题,采用全局和声搜索算法对其进行了改进,即在保持模拟退火原有机制的基础上,使用一个函数随机产生模拟退火算法的初始解,采用全局和声搜索算法中产生候选解的方法产生新解。该方法的优点在于保留中间最优解并及时更新,从而既保证了优化质量又提高了算法的搜索效率。最后,采用benchmark测试函数进行仿真,仿真实验结果表明,该方法在收敛速度及优化质量上都优于传统的模拟退火及其它算法,值得进一步研究。     

基于模拟退火高斯扰动的蝙蝠优化算法

蝙蝠算法（bat algorithm, BA）是一类新型的搜索全局最优解的随机优化技术。为了提高BA算法的搜索效果, 把模拟退火的思想引入到蝙蝠优化算法中, 并对蝙蝠算法的某些个体进行高斯扰动, 提出了一种基于模拟退火的高斯扰动蝙蝠优化算法（SAGBA）。分别将蝙蝠优化算法、模拟退火粒子群算法、SAGBA在20个典型的基准测试函数中进行仿真对比, 结果表明SAGBA不仅增加了全局收敛性, 而且在收敛速度和精度方面均优于其他两种算法。     

一种基于改进粒子群优化和模拟退火的Memetic算法

针对现有Memetic算法收敛速度慢、容易陷入局部极值等不足,提出一种基于改进粒子群优化和模拟退火算法的Memetic算法(简称为PMemetic算法).在PMemetic算法,基于人工萤火虫算法邻域结构思想改进粒子群优化算法,并将其作为全局搜索策略;同时,采用模拟退火算法作为局部搜索策略.将PMemetic算法应用到6个典型的函数优化问题中,并与粒子群算法进行比较分析,实验结果表明PMemetic算法提高了全局搜索能力、收敛速度和解的精度.     

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.     

Applications of critical temperature in minimizing functions of continuous variables with simulated annealing algorithm

The simulated annealing (SA) algorithm has been recognized as a powerful technique for minimizing complicated functions. However, a critical disadvantage of the SA algorithm is its high computational cost. Therefore, it is the goal of this paper to investigate the use of the critical temperature in SA to reduce its computational cost. This paper presents a systematic study of the critical temperature and its applications in the minimization of functions of continuous variables with the SA algorithm. Based on this study, a new algorithm was developed to exploit the unique feature of the critical temperature in SA. The new algorithm combines SA and local search to determine global minimum effectively. Extensive tests on a variety of functions demonstrated that the new algorithm provides comparable performance to well-established SA techniques. Furthermore, the new algorithm also improves the determination of the starting temperature for the SA algorithm. The results obtained in this study are expected to be useful for improving the efficiency of SA algorithms, and for facilitating the development of temperature parallel SA algorithms.     

基于遗传算法和模拟退火算法的TDOA定位技术

提出一种基于遗传算法与模拟退火算法的TDOA定位估计算法,该算法通过对求解定位坐标计算时的最大似然函数进行求解,实现了利用所有TDOA测量值对移动台的定位估计。该算法采用实数编码,自适应交叉率和变异率实现遗传算法的全局搜索,引入模拟退火的Boltzmann机制,解决遗传算法容易陷入局部最优的问题。实验结果表明,该算法定位精度高、收敛速度快。     

基于改进遗传与模拟退火融合的RISP软硬件划分

软硬件划分是可重构指令集处理器在软硬件协同设计中的关键问题,通过对比遗传算法和经典模拟退火算法的优缺点,提出改进遗传算法的适应度函数,同时将Tsallis接受准则引入到经典模拟退火当中;其思路是用遗传算法的结果来制约模拟退火算法产生的随机状态,然后由模拟退火的接受准则以及产生的随机状态函数对遗传算法的种群进行更新,从而找到全局近似最优解;实验结果证明,改进算法与单一遗传算法以及经典模拟退火算法相比,其收敛速度和适应度更好,找到全局近似最优解的概率更大。     

基于蚁群遗传算法的氨基酸序列比对方法

蚁群遗传算法是在蚁群算法的基础上用遗传算法对其参数进行优化而产生的一种改进算法。把蚁群遗传算法应用于生物信息学中的氨基酸序列比对上，从而提出了一种新颖的蚁群遗传序列比对算法，实验结果表明这种新颖的序列比对算法是非常有效的。     

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。     

基于云环境的高效任务调度算法

高效的任务调度是云服务提供商高效处理业务并降低运营成本的关键。针对云环境下的任务调度问题,提出一种贪心模拟退火的新型算法。首先,利用贪心算法求出局部最优解,并用它来初始化所提新型算法的当前最优解及模拟退火算法的初始解;然后,采用模拟退火算法来不断更新当前最优解。实验结果表明,与传统调度算法相比,所提算法能够更快地达到全局收敛,并得到更加稳定的寻优结果,提高了寻优的质量和效率;同时,该算法不仅减少了总任务时间开销,而且使虚拟机的平均资源利用率稳定在99%以上,负载也更加均衡。     

Optimization of steel structures using distributed simulated annealing algorithm on a cluster of personal computers

This paper presents a distributed simulated annealing (SA) algorithm for optimal structural design of steel structures under stress, maximum displacement, and inter-story drift constraints. To effectively harness the distributed computing capabilities of a cluster of PCs, a two-phased SA algorithm consisting of simulated quenching (SQ) and SA is developed and used for development of the distributed algorithm. The distributed algorithm is based on two different levels of parallelism, design variable level for a distributed SQ algorithm and candidate design level for a distributed SA algorithm. The distributed SA algorithm is applied to the discrete minimum weight design of a verifying example and two steel braced frame structures. The results show that the distributed SA algorithm implemented on a network of PCs can reduce the computational requirement significantly, and yield more stable convergence histories.     

Applications of hybrid optimization techniques for model updating of rotor shafts

This paper presents an approach by combining the genetic algorithm (GA) with simulated annealing (SA) algorithm for enhancing finite element (FE) model updating. The proposed algorithm has been applied to two typical rotor shafts to test the superiority of the technique. It also gives a detailed comparison of the natural frequencies and frequency response functions (FRFs) obtained from experimental modal testing, the initial FE model and FE models updated by GA, SA, and combination of GA and SA (GA–SA). The results concluded that the GA, SA, and GA–SA are powerful optimization techniques which can be successfully applied to FE model updating, but the appropriate choice of the updating parameters and objective function is of great importance in the iterative process. Generally, the natural frequencies and FRFs obtained from FE model updated by GA–SA show the best agreement with experiments than those obtained from the initial FE model and FE models updated by GA and SA independently.     

基于改进堆叠自动编码机的垃圾邮件分类

针对堆叠自动编码机(SA)容易产生过拟合而降低垃圾邮件分类精度的问题,提出了一种基于动态dropout的改进堆叠自动编码机方法。首先分析了垃圾邮件分类问题的特殊性,将dropout算法引入到堆叠自动编码机算法中;同时,根据传统dropout算法容易使部分节点长期处于熄火状态的缺陷,提出了一种动态dropout改进算法,使用动态函数将传统静态熄火率修改为随着迭代次数逐渐减小的动态熄火率;最后,利用动态dropout算法改进堆叠自动编码机的预训练模型。仿真结果表明,相比支持向量机(SVM)和反向传播(BP)神经网络,改进的堆叠自动编码机平均准确率达到了97.66%,各个数据集上马修斯系数都大于89%;与传统堆叠自动编码机相比,改进的堆叠自动编码机的马修斯系数在Error1~6数据集上分别提高了3.27%、1.68%、2.16%、1.51%、1.58%、1.07%。实验结果表明,基于动态dropout算法的改进堆叠自动编码机具有更高的分类精度和更好的稳定性。