求解24数码问题的改进遗传退火算法

针对具有巨大搜索解空间的24数码问题,提出了一种基于改进遗传模拟退火算法的求解方法。依据问题特征,设计了个体编码方法、高效的适应度评价函数和遗传操作算子,通过在遗传算法中引入模拟退火的Boltzmann更新机制,克服了传统遗传算法易于过早收敛和易于“卡住”陷入局部极小的问题。仿真实验结果表明,提出的算法能够快速搜索到问题的解,算法对其他组合优化问题也具有应用价值。     

几种改进的人工神经网络算法比较

文章分别介绍了模拟退火算法与BP网络结合的模拟退火人工神经网络,遗传算法和BP网络结合的遗传人工神经网络以及遗传退火人工神经网络算法。通过仿真实验比较证明,遗传退火人工神经网络和模拟退火人工神经网络的逼近精度高于遗传算法人工神经网络,而遗传算法人工神经网络收敛速度最快。并且随着求解变量个数的增加,基于遗传退火人工神经网络收敛速度高于改进的模拟退火人工神经网络。     

基于遗传模拟退火算法的入侵检测特征选择研究

特征选择已经成为入侵检测的一个很重要的问题,它通过求解出有用的特征子集,去除冗余特征,来达到提高分类精度和效率的目的。提出了一种基于遗传模拟退火算法的特征选择算法,以基本遗传算法为基础,将遗传操作和模拟退火操作相结合,克服了一般遗传算法的不足,有效避免陷入局部最优并最终趋于全局优化,在入侵检测的标准数据集-KDD1999上的模拟实验证明：遗传模拟退火特征选择算法能够加快特征选择的速度;并且与当前典型的特征选择算法相比,具有更好的检测率。     

遗传模拟退火算法在EXCEL上的编程实现

针对遗传算法和模拟退火算法的互补特点,提出用遗传模拟退火算法来求解最优化问题。使用Excel的VBA语言来编程实现该算法,将遗传模拟退火算法与Excel的数据处理相结合,方便用户在Excel上建立模型,解决最优化问题。最后给出一个实例,运行结果证实了遗传模拟退火算法在求解最优化问题上优于遗传算法。     

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。     

遗传模拟退火算法在MATLAB上的编程实现

遗传算法和模拟退火算法均为启发式搜索算法,结构互补,可将两者结合,使用遗传模拟退火算法来求解最优化问题。使用MATLAB语言来编程实现该算法,将遗传模拟退火算法与MATLAB强大的数据处理相结合,方便用户在MATLAB上建立模型,解决最优化问题。最后给出一个实例,运行结果证实了遗传模拟退火算法在求解最优化问题上优于单一的遗传算法。     

时滞系统控制参数优化的遗传模拟退火算法

该文基于遗传模拟退火算法，提出一种时滞系统的控制参数优化方法，同时对Matlab遗传算法工具箱GAOT进行改进，使之适用于PID参数的优化。该文所采用的算法保留了遗传算法和模拟退火算法分别在全局和局部搜索能力强的优点，能克服常规遗传算法中解的早熟现象、局部寻优能力差，难以保证对参数优化的计算效率和可靠性要求等缺陷。研究表明，改进后的遗传模拟退火算法是一种行之有效的方法，具有实用价值。     

基于遗传模拟退火算法的神经网络预报模型

遗传和模拟退火是两种不同的优化算法，对这两种算法进行混合，有利于丰富优化过程中的搜索行为。遗传模拟退火混合策略利用了不同的邻域搜索结构，增强了算法全局和局部意义下的搜索能力和效率。分别用遗传模拟退火算法和标准遗传算法对电弧炉氧化期终点碳含量预报模型进行训练，仿真结果表明遗传模拟退火算法在收敛速度和预报精度上优于标准遗传算法。     

基于遗传算法和模拟退火算法的B样条曲线拟合

本文根据遗传算法和模拟退火算法各自的优缺点,提出将遗传算法和模拟退火算法相结合的方法用在曲线拟合上,在B样条曲线拟合过程中设计了新的适应度函数和遗传算子,有效地解决了用遗传算法进行B样条曲线拟合时局部效果好、整体效果不好的问题。最后数值实验验证了算法的可行性。     

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。     

基于混合遗传模拟退火算法求解TSP问题

TSP问题是典型的NP-hard组合优化问题,遗传算法是求解此类问题的一种方法,但它存在如何较快地找到全局最优解,并防止“早熟”收敛的问题。针对上述问题并结合TSP问题的特点,提出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。为了解决群体的多样性和收敛速度的矛盾,采用了部分近邻法来生成初始种群,生成的初始种群优于随机产生初始种群。仿真实验结果证明,该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。     

改进的模拟退火和遗传算法求解TSP问题

对遗传算法和模拟退火算法的特点进行了比较,阐述了遗传算法与模拟退火算法集合的必要性。提出了一个用于求解TSP问题的改进的模拟退火和遗传算法。利用遗传算法的全局搜索能力弥补了模拟退火算法容易陷入局部最优的问题。在遗传算法中改进了传统的交叉机制,利用父代染色体与子代染色体进行交叉,解决了传统遗传算法中存在的“早熟”问题。针对模拟退火算法收敛速度慢等问题,提出了新的解生成机制和改良算法,提高了算法的收敛速度。实验测试的结果表明,该方法具有较好的收敛效果和更高的稳定性。     

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。     

模拟退火遗传算法在DOA估计技术中的应用

将模拟退火思想融入到遗传算法中,形成了另一种优化算法,即模拟退火遗传算法,将其应用于加权子空间（WSF）算法的目标方位（DOA）估计技术中,以求降低WSF算法的运算复杂度,提高DOA估计精度,同时又解决了基本遗传算法在DOA估计中易陷入局部最优、后期搜索迟钝等问题。计算机仿真结果表明：采用模拟退火遗传算法的DOA估计技术在低信噪比条件下比采用基本遗传算法、高斯-牛顿算法有更高的分辨概率,更小的均方误差。     

汽车零部件物流网络优化设计与实现

针对现阶段汽车零部件物流网络优化问题,提出以区域分销中心选址为基础的汽车零部件物流网络优化解决方案,包括符合汽车零部件物流特点的物流网络优化模型。由于遗传算法的局限性,采用以模拟退火的思想对遗传算子参数进行自适应的改进方法,以及最优步长搜索技术做出调整与优化。对实际项目的优化和比较结果证明了该自适应遗传算法的有效性和适应能力。     

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。     

移动传感器网络中路径扫描覆盖问题研究

扫描覆盖作为无线传感器网络中的重要应用之一,通过规划移动传感器对区域内兴趣点（POI）进行定期覆盖,因此相较于传统覆盖方法能以更低廉的成本监测POI。研究最少传感器数量-最小罚时路径扫描覆盖问题,即通过调度移动传感器扫描给定路径上的POI集合,使传感器使用数量及产生的POI总罚时成本之和最小。将该问题转换为整数规划,并基于该问题的特殊结构设计贪心算法和遗传算法,以求解大规模实例。在遗传算法基础上引入模拟退火操作,以设计一种遗传模拟退火算法,从而提高求解质量和算法局部寻优能力。实验结果表明,所提贪心算法、遗传算法及遗传模拟退火算法均有较好的收敛性,贪心算法求解质量相对较差,但求解速度快;遗传算法解的质量更好,但存在不稳定的问题,局部寻优能力较弱;遗传模拟退火算法的局部寻优能力和求解稳定性明显增强,解的质量优于其他两种算法。