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。     

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。     

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。     

BP神经网络的优化算法研究

BP学习算法通常具有收敛速度慢,易陷入局部极小值等缺点;遗传算法是全局优化算法,具有较强的全局搜索性能,但它在实际应用中容易产生早熟收敛的问题,且在进化后期搜索效率较低;模拟退火算法具有摆脱局部最优点的能力,能抑制遗传算法的早熟现象.因此,本文在BP算法结合遗传算法的同时,再加入模拟退火算法,可以有效地缓解遗传算法的选择压力.     

基于模拟退火的混合遗传算法研究

针对常规遗传算法会出现早熟现象、局部寻优能力较差等不足,在遗传算法运行中融入模拟退火算法算子,实现了模拟退火的良好局部搜索能力与遗传算法的全局搜索能力的结合。经验证,该混合算法可以显著提高遗传算法的运行效率和优化性能。     

自适应模拟退火遗传算法的改进与应用

提出了一种改进的自适应模拟退火遗传算法,该算法将遗传算法和模拟退火相结合,利用模拟退火算法较强的局部搜索能力,解决了基本遗传算法收敛速度慢的缺点,提高了全局寻优能力.实验结果证实了该混合算法的有效性和高效性.     

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。     

基于模拟退火遗传算法的空瓶图像分割

针对空瓶检测的特点,把遗传算法和模拟退火算法引入到空瓶图像分割算法中,提出了一种利用遗传算法搜索最优分割阈值方法.该方法具有遗传算法的全局寻优能力和模拟退火算法较强的局部搜索能力,能够有效、简单地进行图像分割,可以满足实时检测系统中精度和速度的要求.     

基于混合算法的带时间窗的车辆路径问题求解

建立了有时间窗车辆路径问题的数学模型，针对遗传算法在局部搜索能力方面的不足，提出将模拟退火算法与遗传算法相结合，从而构造了有时间窗车辆路径问题的混合遗传算法，并进行了实验计算。结果表明，用混合遗传算法求解该优化问题，可以在一定程度上克服遗传算法在局部搜索能力方面的不足和模拟退火算法在全局搜索能力方面的不足，从而得到了质量较高的解。     

差异工件平行机批调度问题的SAGA*

为了求解差异工件平行机批调度问题,提出了一种模拟退火遗传算法 (simulated annealing genetic algorithm,SAGA)。将模拟退火算法（simulated annealing,SA）的状态转移操作引入基于最优保留的遗传算法(genetic algorithm,GA)中,作为局部搜索算子,以避免算法陷入局部最优,也有效地发挥了SA和GA在局部搜索与全局搜索能力方面的优势。为了解决GA迭代后期适应函数难以区分一些适应度接近的个体这个问题,SAGA分两阶段标定适应函数,在进化后期     

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.     

Application of heuristic and hybrid-GASA algorithms to tool-path optimization problem for minimizing airtime during machining

In this paper, heuristic algorithms such as simulated annealing (SA), genetic algorithm (GA) and hybrid algorithm (hybrid-GASA) were applied to tool-path optimization problem for minimizing airtime during machining. Many forms of SA rely on random starting points that often give poor solutions. The problem of how to efficiently provide good initial estimates of solution sets automatically is still an ongoing research topic. This paper proposes a hybrid approach in which GA provides a good initial solution for SA runs. These three algorithms were tested on three-axis-cartesian robot during milling of wood materials. Their performances were compared based on minimum path and consequently minimum airtime. In order to make a comparison between these algorithms, two cases among the several milling operations were given here. According to results obtained from these examples, hybrid algorithm gives better results than other heuristic algorithms alone. Due to combined global search feature of GA and local search feature of SA, hybrid approach using GA and SA produces about 1.5% better minimum path solutions than standard GA and 47% better minimum path solutions than standard SA.     

基于二进制蚁群模拟退火算法的认知引擎

在认知无线电系统中,认知引擎依据通信环境的变化和用户需求动态配置无线电工作参数。针对认知引擎中的智能优化问题,提出一种二进制蚁群模拟退火（BAC&SA）算法用于认知无线电参数优化。该算法在二进制蚁群优化（BACO）算法中引入模拟退火（SA）算法,融合了BACO的快速寻优能力和SA的概率突跳特性,能有效避免BACO容易陷入局部最优解的缺陷。仿真实验结果表明,与遗传算法（GA）和BACO算法相比,基于BAC&SA算法的认知引擎在全局搜索能力和平均适应度等方面具有明显的优势。     

基于模拟退火的混合差分进化算法及其在联合补货-配送集成优化中的应用

针对差分进化 (Differential evolution, DE)算法搜索效率较低和容易陷入局部最优的缺点,设计了基于SA的混合差分进化算法(SA-based Hybrid DE, SAHDE),以提高DE算法的全局寻优能力。该算法采用自适应变异算子和交叉算子,并结合模拟退火(Simulated Annealing, SA)算法的Metropolis 准则。首先通过标准测试函数对改进的SAHDE进行性能测试,证明了该算法比DE、自适应混合DE (Adaptive Hybrid DE, AHDE)和遗传算法(Genetic Algorithm, GA)更有效。进而将该算法运用到联合补货-配送集成优化(典型NP-hard)问题的求解中,通过大规模的算例分析,证实SAHDE在解决联合补货-配送优化问题比DE、AHDE和GA更有效。     

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。     

解决作业车间调度的微粒群退火算法*

针对微粒群优化算法在求解作业车间调度问题时存在的易早熟、搜索准确度差等缺点,在微粒群优化算法的基础上引入了模拟退火算法,从而使得算法同时具有全局搜索和跳出局部最优的能力,并且增加了对不可行解的优化,从而提高了算法的搜索效率;同时,在模拟退火算法中引入自适应温度衰变系数,使得SA算法能根据当前环境自动调整搜索条件,从而避免了微粒群优化算法易早熟的缺点。对经典JSP问题的仿真实验表明,与其他算法相比,该算法是一种切实可行、有效的方法。     

A hybrid genetic algorithm for the traveling salesman problem with pickup and delivery

In this paper, a hybrid genetic algorithm （GA） is proposed for the traveling salesman problem （TSP） with pickup and delivery （TSPPD）. In our algorithm, a novel pheromone-based crossover operator is advanced that utilizes both local and global information to construct offspring. In addition, a local search procedure is integrated into the GA to accelerate convergence. The proposed GA has been tested on benchmark instances, and the computational results show that it gives better convergence than existing heuristics.     

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．     

统计遗传算法

本文讨论了遗传算法中框架定理的不足之处，并对之进行了改进，然后分析了遗传算法与Ａ算法的相似性，以及遗传算法的概率性质．由此联想到它与ＳＡ算法的相似性，在此基础上，作者将原先发展的一套ＳＡ算法的理论移植到遗传算法中来，建立一个新的算法，称之为统计遗传算法（简记为ＳＧＡ算法）．为适合于优化计算，作者引入最大值统计量及其对应的ＳＡ算法（简称为ＳＭＡ算法），并将ＳＭＡ算法与ＧＡ算法相结合（记为ＳＧＡ（ＭＡＸ）算法）．新的算法不仅提高了算法的精度和降低了计算的复杂性，而且能克服ＧＡ算法中出现“早熟”的现象以及提供进行并行计算的可能性．更主要的是新的方法为ＧＡ算法的精度、可信度和计算复杂性的定量分析提供了理论和方法上的有力工具.     

Self-adaptive Bat Algorithm With Genetic Operations

Swarm intelligence in a bat algorithm (BA) provides social learning. Genetic operations for reproducing individuals in a genetic algorithm (GA) offer global search ability in solving complex optimization problems. Their integration provides an opportunity for improved search performance. However, existing studies adopt only one genetic operation of GA, or design hybrid algorithms that divide the overall population into multiple subpopulations that evolve in parallel with limited interactions only. Differing from them, this work proposes an improved self-adaptive bat algorithm with genetic operations (SBAGO) where GA and BA are combined in a highly integrated way. Specifically, SBAGO performs their genetic operations of GA on previous search information of BA solutions to produce new exemplars that are of high-diversity and high-quality. Guided by these exemplars, SBAGO improves both BA’s efficiency and global search capability. We evaluate this approach by using 29 widely-adopted problems from four test suites. SBAGO is also evaluated by a real-life optimization problem in mobile edge computing systems. Experimental results show that SBAGO outperforms its widely-used and recently proposed peers in terms of effectiveness, search accuracy, local optima avoidance, and robustness.