基于模拟退火的D2D通信中资源分配算法研究

将D2D通信引入蜂窝网络,D2D用户与蜂窝用户会发生同频干扰。为了协调两者之间的干扰,提高系统的总容量,在模拟退火算法的基础上提出一种以信道容量最大为目标的改进算法。在改进的算法中设计了新的温度更新函数,使其具有一定的自适应性;增加了记忆功能,记忆当前的最优解,避免遗失搜索过程中的最优解;增加补充搜索过程可提高算法的全局搜索能力。仿真结果表明该算法所得的信道容量相比于传统的模拟退火算法、随机选择算法分别提高了6.5%、12.3%左右。     

一种求解车间作业调度问题的混合微粒群算法

在对车间作业调度问题优化目标与约束条件分析的基础上,以最小化机器完工时间为目标构建优化模型.通过将遗传算法和模拟退火算法的优点与标准微粒群算法相结合,提出一种求解该问题的混合微粒群算法,并结合实例验证了该算法的有效性与收敛性.     

基于模拟退火遗传算法的拆卸路径规划

针对现存拆卸路径规划图论方法中的组合爆炸问题和遗传算法的早熟现象,给出模拟退火和遗传算法相结合的拆卸路径规划方法.在拆卸路径规划模型中,以拆卸效率最优作为优化目标,给出了算法流程.该算法对拆卸路径的全面寻优提供了一种新的思路.通过实例验证该算法的可行性,最后提出了进一步的研究方向.     

动力显式有限元与模拟退火相结合的回弹预测方法研究

从回弹过程中能量逐渐衰减使变形体最终达到新的最低能量平衡状态的观点出发,以动力显式非线性有限元法成形仿真的结果为前提,以仿真结束时的应力、应变状态为初始状态,将成形结束后的回弹预测问题归结为一个大规模组合优化问题来处理,并提出一种求解此回弹预测问题的混合模拟退火算法.通过算例实现及计算结果与有关文献公布的测量结果的比较,验证了所提出的回弹预测方案及所采用的回弹的预测算法的可行性与有效性.     

基于SA-CPSO算法的光伏列阵多峰值最大功率点追踪的研究

快速准确追踪到光伏列阵多峰值最大功率点具有重要的工程意义。传统粒子群算法应用于最大功率追踪时会产生稳定性较差和容易陷入局部最优解等问题,通过结合模拟退火算法能快速跳出局部最优解和混沌理论的遍历性的优点,得到模拟退火混沌粒子群算法。算法后期能快速稳定地向全局最大功率点收敛,可较好地解决光伏发电系统接收光照不均匀时多峰值最大功率追踪的问题。最后建立多组光伏列阵接收不同光照的场景,使用MATLAB仿真验证了模拟退火混沌粒子群算法在追踪最大功率点时寻优速度和收敛稳定性上的优越性。     

具有可行域内Steiner点寻优能力的配电网网架规划方法

文章研究配电网规划中网架规划的问题,提出了一种基于Steiner最小树的配电网网架规划新方法,解决了以往研究中没有考虑到的在规划中引入中间节点,并在可行域内寻优的问题。首先用路径描述方法建立了配电网网架规划的数学模型,然后将该数学模型转换成欧式Steiner最小树问题,并采用模拟退火算法求解。通过在算法中对Steiner点进行启发式搜索,实现了在可行域中搜索中间节点的方法,扩大了中间节点的选取范围,增大了搜索到全局最优解的概率。最后,通过算例分析验证了算法的性能和有效性。     

多生产线且多节点环境下的订单选择模型

由于有限资源的约束,企业经常拒绝接受一些不能保证能按时交付的订单。因为延迟交付带来的惩罚往往使这些订单无利可图,其罚金一般与延期时间长度相关。Slotnick等人提出的延迟惩罚订单选择模型是优化决策此类问题的常用模型。本文将原模型由单节点扩展到较复杂的多节点且多生产线应用环境下,给出了相应的订单选择模型。并设计了多维交替优化的模拟退火算法来同时优化选择和排序两个维度,给出了详细的算法步骤。然后对模拟数据进行了仿真算例求解,验证算法的求解效果和计算效率。同时对比了两种不同订单排序策略,算例结果也表明：跨生产线的混合订单排序方式能比传统的订单不跨线同步方式获得更好的目标收益。     

联合生产存储问题的模拟退火算法

对确定性需求的联合补充生产存储控制系统进行分析，得出其关键问题是确定系统的联合生产补充周期和各产品的生产补充周期。建立了相应的模型，提出一个模拟退火算法，通过算例表明该算法可得出较优的可行解，与其他算法比较可以更有效地解决此类问题。     

遗传模拟退火算法在模型辨识中的应用

针对标准遗传算法在许多问题的解决中出现的早熟现象、局部寻优能力较差的情况．结合了标准遗传算法和模拟退火算法的优点并在编码的时候采用混合编码机制、提出一种改进的遗传模拟退火算法、解决了标准遗传算法在局部寻优差．求解效率差的问题。并用FESTO紧凑型过程控制实验室中的液位控制系统完成算法的验证工作、证明这种方法具有一定的优越性。     

NUMERICAL SIMULATION ALGORITHM FOR RELIABILITY ANALYSIS OF COMPLEX STRUCTURAL SYSTEM BASED ON INTELLIGENT OPTIMIZATION

An efficient importance sampling algorithm is presented to analyze reliability of complex structural system with multiple failure modes and fuzzy-random uncertainties in basic variables and failure modes. In order to improve the sampling efficiency, the simulated annealing algorithm is adopted to optimize the density center of the importance sampling for each failure mode, and results that the more significant contribution the points make to fuzzy failure probability, the higher occurrence possibility the points are sampled. For the system with multiple fuzzy failure modes, a weighted and mixed importance sampling function is constructed. The contribution of each fuzzy failure mode to the system failure probability is represented by the appropriate factors, and the efficiency of sampling is improved furthermore. The variances and the coefficients of variation are derived for the failure probability estimations. Two examples are introduced to illustrate the rationality of the present method. Comparing with the direct Monte-Carlo method, the improved efficiency and the precision of the method are verified by the examples.