基于模拟退火并行遗传算法的Otsu双阈值

模拟退火和并行遗传算法是两种较好的改进进化算法性能的方法。将这两种思想有机地结合起来,利用遗传算法能全局寻优的优势和模拟退火算法的爬山性能,提出了一种基于模拟退火并行遗传算法的Otsu双阈值医学图像分割算法。在该算法中,进化在多个不同的子群中并行进行,利用模拟退火算法的爬山性能,避免单种群进化过程中出现的过早收敛现象,提高整个算法的收敛速度。实验证明,这种新的图像分割算法与并行遗传算法相比,不仅能够对图像进行准确的分割,而且具有更强的精确性和稳定性。其收敛速度明显比并行遗传算法的Otsu双阈值医学图像分割快。     

基于模拟退火机制的多种群并行遗传算法

模拟退火和多种群并行遗传进化是两种较好的改进遗传算法性能的方法 .将这两种思想有机地结合起来 ,提出了一种基于模拟退火机制的多种群并行遗传算法 .仿真结果表明 ,该算法不仅能增强算法的全局收敛性 ,还能加快遗传进化速度 ,得到满意的全局最优值 .     

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。     

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。     

模拟退火与遗传算法结合的数字FIR滤波器硬件进化算法

为提高数字FIR滤波器进化硬件的寻优性能,将模拟退火与遗传算法结合的新型算法作为其进化算法.该算法是在对进化硬件种群进行遗传算法操作之后,从种群中选择适当的个体进行模拟退火操作,退火的温度随着遗传算法进化代数的增加而逐步降低,直至达到优化目标.为满足算法处理能力的要求,硬件系统采用平台式FPGA的可编程SoC结构.仿真实验结果表明：以模拟退火算法为辅助的遗传算法比单纯的遗传算法在数字FIR滤波器进化系统上有着相当的优势.     

求解曲面距离问题的模拟退火遗传算法

提出计算曲面距离的统一方法——退火遗传算法。该算法将模拟退火算法和遗传算法相结合,解决了曲面之间的距离问题。该方法将工业中常用的曲面统一用参数形式表示,利用遗传算法求解曲面的距离问题。该方法通过引入模拟退火机制和人为地加入一定数目的特殊个体,大大增强了算法的爬山性能。     

VLSI标准单元布局问题的增强型混合遗传模拟退火算法

提出有效处理百万个VLSI标准单元布局问题的混合遗传模拟退火算法.首先采用小规模种群、动态更新种群和交叉局部化策略,并协调全局与局部搜索,使遗传算法可处理超大规模标准单元布局问题.然后为进一步提高算法进化效率和布局结果质量,将爬山和模拟退火方法引入遗传算法框架及其算子内部流程,设计高效的线网-循环交叉算子和局部搜索算法.标准单元阵列布局侧重使用爬山法,非阵列布局侧重使用模拟退火方法.Peko suite3、Peko suite4和ISPD04标准测试电路的实验结果表明,该算法可在合理运行时间内有效提高布局结果质量.     

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。     

DNA编码序列设计的混合进化算法优化

分析编码序列设计的目标及需要满足的约束条件,建立相应的数学模型,提出该模型的模拟退火遗传优化算法(HSAGA).模拟退火采用串行优化结构,遗传算法采用群体并行搜索,两者结合成为并行算法.模拟退火作为一种自适应变概率的变异操作,可有效增强并补充遗传算法的进化能力.通过具体算法的实现,得出较高质量的DNA编码序列.     

多种群退火贪婪混合遗传算法

遗传算法是应用比较广泛的一种随机优化算法,遗传算法的收敛速度与问题解的质量是影响算法寻优性能的一对主要矛盾。为了提高遗传算法的性能,论文通过将局部搜索能力较强的贪婪算法引入遗传算法,并且同模拟退火和多种群并行遗传进化思想有机结合起来的方法,提出了一个改进型的算法——多种群退火贪婪混合遗传算法(MultigroupAnnealingGreedyHybridGeneticAlgorithm,简称MAGHGA)。仿真结果表明,该算法避免了在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,同时也有效地提高了算法的收敛速度。     

几种改进遗传算法的性能比较

本文将标准遗传算法与分层策略和模拟退火思想相融合，设计出分层遗传算法、模拟退火遗传算法和模拟退火分层遗传算法三种改进的遗传算法。计算结果验证了算法的有效性和正确性。进一步算法性能分析证明了论文中所设计的改进的算法不仅能增强算法的全局收敛性，还能加快遗传进化速度。     

应用遗传模拟退火算法实现资源受限项目调度

针对以最小化项目工期为目标的资源受限项目调度问题（RCPSP）,提出将模拟退火算法融合到遗传算法中,以改善遗传算法局部搜索性能,增强进化能力的遗传模拟退火算法——RCPSPGSA。在每次进化迭代过程中,下一代种群的个体需经过模拟退火算法改进,并通过在每次迭代结束前进行降温操作保证遗传算法和模拟退火算法具有相同的收敛方向和速度。算法在RCPSP标准测试问题库PSPLIB上进行数值仿真实验,并采用正交实验分析法解决参数选择问题。实验结果证明选择的参数组合具有突出的性能,RCPSPGSA是求解RCPSP的有效算法。     

基于一种改进遗传模拟退火算法的TSP求解

快速收敛于全局最优解是遗传算法的一个研究重点.在对遗传算法和模拟退火算法研究的基础上,分析了两种算法各自的优缺点,对已有的遗传模拟退火算法进行了改进.结合遗传算法和模拟退火算法的优点,给出了一种并行的多层搜索结构,提高了算法的效率;同时,在此基础上,提出一种种群早熟评价指标.最后,将此改进算法应用到旅行商问题中,并分别对10个城市和30个城市的旅行商问题进行了仿真,用于验证算法的可行性和快速性.仿真结果表明.改进的遗传模拟退火算法能够较快的收敛于全局最优解.     

一种采用循环策略的改进模拟退火遗传算法

循环规律是生态学中一个重要的规律,而模拟退火遗传算法是一种能够有效改进遗传算法性能的方法。将循环策略与模拟退火遗传算法有机地结合起来,提出了一种采用循环策略的改进模拟退火遗传算法,并通过模式演化分析和收敛性分析证明算法的合理性。该算法不仅能够保证遗传算法的全局收敛性,而且还可以加快种群的进化速度并获得满意的全局最优解。     

雷达干扰资源优化分配模型和算法研究北大核心CSCD

针对敌方多目标雷达,如何合理有效的分配干扰资源,取得最佳干扰效益的问题,建立干扰资源优化分配模型。考虑到实际作战环境下的约束条件和干扰需求,对于约束条件增多时,传统算法求解速度慢。因此,提出一种将模拟退火算法应用到遗传算法中,以提高遗传算法局部搜索性能,增强遗传算法进化能力的遗传模拟退火算法。在每次进化产生下一代种群个体需经过模拟退火算法改进,并在每次迭代结束之前进行降温操作保证遗传算法和模拟退火算法具有相同的收敛方向和速度。仿真结果表明,与模拟退火算法比较,该方法具有较好的搜索最优解速度和可靠性。上述方法提供的分配方案对提高雷达干扰智能决策系统有一定的作用。     

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.     

一种新的遗传模拟退火算法的软硬件划分方法

针对嵌入式系统软硬件划分问题,在分析遗传算法和模拟退火算法的主要优缺点的基础上,提出了一种新的小生境技术改进的遗传模拟退火算法（NGSA）,在遗传算法中融入模拟退火思想,同时引入小生境技术,保持群体的多样性;并采用Metropolis 法则形成新群体,改善群体的质量。实验结果证明该算法具有很强的爬山能力和全局搜索能力,与遗传算法（GA）和模拟退火算法（SA）相比适应度明显提高。     

求解SAT问题的退火遗传算法

提出一种将遗传算法与模拟退火算法相结合的SAT问题求解算法SAT-SAGA.该算法以遗传算法流程为主体,并把模拟退火机制融入其中,用以调整优化群体,防止陷入局部最优和出现早熟;在进化过程中算法采用了最优染色体保存策略,防止进化过程的发散.实验表明:该算法在求解速度、成功率和求解问题的规模等方面都有明显的改善.     

基于MPI的并行模拟退火遗传算法

本文针对模拟退火遗传算法存在的不足,结合并行进化思想,提出基于MPI的并行模拟退火遗传算法,分析了该并行算法的任务分配,通信开销,并通过测试函数进行仿真试验,表明该并行算法提高了算法的运行速度和收敛质量,更容易找到全局最优解,具有可扩展性,可以得到线性加速比。     

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.