一种保证全局收敛的PSO算法

在对基本PSO算法分析的基础上，提出了一种能够保证以概率1收敛于全局最优解的PSO算法——随机PSO算法(stochastic PSO，SPSO)，并利用Solis和Wets的研究结果对其全局收敛性进行了理论分析，给出了两种停止进化微粒的重新产生方法．最后以典型优化问题的实例仿真验证了SPSO算法的有效性．  

求解旅行商问题的混合粒子群优化算法

结合遗传算法、蚁群算法和模拟退火算法的思想，提出用混合粒子群算法来求解著名的旅行商问题．与模拟退火算法、标准遗传算法进行比较，24种混合粒子群算法的效果都比较好，其中交叉策略D和变异策略F的混合粒子群算法的效果最好，而且简单有效．对于目前仍没有较好解法的组合优化问题，通过此算法修改很容易解决．  

基于混沌变量的模拟退火优化方法

基于混沌变量，提出一种混沌模拟退火优化方法，给出了初始温度的方法。利用混沌变量对当前点进行扰动，随着搜索的深入逐渐减小扰动的幅度。数值计算结果表明，该方法可以显著提高求解全局优化问题的计算效率。  

基于遗传算法的退火精确罚函数非线性约束优化方法

提出了一种新的基于遗传算法求解非线性约束优化的方法，通过自适应的退火罚因子和不可微精确罚函数未处理的约束条件，可以使算法逐渐收敛于可行的极值点，仿真结果表明该方法有较刘的求解精度。  

基于模拟退火的粒子群优化算法

粒子群优化算法是一类简单有效的随机全局优化技术。该文把模拟退火思想引入到具有杂交和高斯变异的粒子群优化算法中，给出了一种基于模拟退火的粒子群优化算法。该算法基本保持了粒子群优化算法简单容易实现的特点，但改善了粒子群优化算法摆脱局部极值点的能力，提高了算法的收敛速度和精度。四个基准测试函数的仿真对比结果表明，该算法不仅增强了全局收敛性，而且收敛速度和精度均优于粒子群优化算法。  

智能优化算法求解TSP 问题

TSP（旅行商）问题代表组合优化问题，具有很强的工程背景和实际应用价值，但至今尚未找到非常有效的求解方法．为此，讨论了最近研究比较热门的使用各种智能优化算法（蚁群算法、遗传算法、模拟退火算法、禁忌搜索算法、Hopfield神经网络、粒子群优化算法、免疫算法等）求解TSP问题的研究进展，指出了各种方法的优缺点和改进策略．最后总结并提出了智能优化算法求解TSP问题的未来研究方向和建议．  

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 .  

CGSP作业管理器合成服务的QoS优化模型及求解

服务网格为松散的分布式服务提供了一个“电子市场”，使整合这些来自不同地方的异构的、动态的资源成为可能．CGSP的作业管理器提供了一个网格环境下的服务合成工具．在CGSP作业管理器早期开发和使用的实践中，作者发现合成服务难以提供预期的服务质量将成为CGSP网格服务合成技术走向实用化所面临的重要挑战．为此文章提出了一种合成服务的QoS优化模型．此模型的主要特点是：(1)服务虚拟化；(2)可扩展的QoS度量；(3)基于多度量的合成服务全局QoS优化．为此建立了数学模型并给出了两种求解算法．用程序对模型进行了模拟，分析了测试结果，然后从求解速度和优度两个方面比较了两种算法的优劣，并针对此模型在CGSP作业管理器中的实现给出了讨论．  

基于模拟退火算法思想的粒子群优化算法

粒子群优化是由Eberhart博士和Kennedy博士于1995年根据鸟或鱼群居社会行为而提出的。本文提出了4种改进的算法，特别推荐结合模拟退火算法思想提出的一种新算法。经过与基本粒子群算法比较测试，证实它是一种简单有效的算法。  

一种快速神经网络路径规划算法

本文研究已知障碍物形状和位置环境下的全局路径规划问题，给出了一个路径 规划算法，其能量函数利用神经网络结构定义，根据路径点位于障碍物内外的不同位置选取 不同的动态运动方程，并针对障碍物的形状设定各条边的模拟退火初始温度．仿真研究表明 ，本文提出的算法计算简单，收敛速度快，能够避免某些局部极值情况，规划的无碰路径达 到了最短无碰路径．