基于改进的遗传模拟退火混合算法求解TSP问题

本文针对遗传算法（GA）早熟收敛问题就GA的交叉算予进行改进,针对模拟退火算法易陷入局部最小值的缺点．使用HFC—ADM（自适应输入阂值的分等级搜索）的SA（模拟退火算法）和改进后的GA相结合,提出了一种求解TSP问题的遗传模拟退火混合算法,并应用于求解TSP（旅行商问题）问题。实验结果表明,该算法具有比传统的GA以及基于HFC—ADM的SA具有更强的全局搜索能力和更快的收敛速度。     

求解矩形布局问题的自适应算法

矩形布局问题属于NP-Hard 问题,其求解算法多为启发式算法。该文侧重 于构造布局求解算法中定位函数（规则）的优化,将模拟退火算法的思想融入到遗传算法中, 提出了求解矩形布局问题的自适应算法,其利用自适应交叉、变异及接收劣质解的概率等方 法对定位函数中各参数进行优化。算法通过两种方式确定初始种群的数目,具有较强的适应 性。在算法搜索的后期,利用差异性较大的个体进行交叉操作,从而保持种群的多样性。最 后通过实例证明了该算法能够很好的应用于矩形布局问题的求解。     

带道路容量动态约束的关联运输调度问题

介绍了混沌遗传算法的基本原理,并对其进行改进,自适应地调整交叉概率和变异概率,引进了模拟退火机制,用聚类分析及改进的算法对多车场的关联运输调度问题进行求解,然后与遗传算法求解此模型的结果相比较。实例证明该算法求解关联运输调度问题是可行的,且优于传统的遗传算法。     

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。     

改进的退火遗传优化策略应用研究

地震参数反演属于典型的非线性优化问题。针对遗传算法和模拟退火算法各自的优缺点,将改进的遗传算法与模拟退火算法相结合,提出了改进的退火遗传算法（ISAGA）。该方法通过筛选和修复进行初始种群的选择,采用允许父代参与竞争的退火选择机制,并根据模拟退火思想对交叉和变异概率进行自适应的调整,从而增加了种群的多样性并提高了收敛速度。该方法既具备了遗传算法强大的全局搜索能力,也拥有模拟退火算法强大的局部搜索能力。经理论模型试算结果表明,该方法不仅收敛速度快,优化精度高,抗干扰能力强,而且避免了局部收敛和依赖初始模型等问题,计算所得反演参数更接近于实际观测值。     

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。     

求解矩形件优化排样的自适应模拟退火遗传算法

矩形件优化排样是一个NPC问题,在工业界有着广泛的应用.针对该问题,提出一种自适应模拟退火遗传算法.采用一种基于环形交叉算子和环形变异算子的自适应遗传算法来自动调整交叉和变异概率;同时引入模拟退火算法对个体适应度大于平均适应度的个体进行退火处理.自适应模拟退火遗传算法充分发挥了自适应遗传算法与模拟退火算法各自的全局搜索能力与局部搜索能力.对比实验表明,该算法结合改进的最左最下布局算法解决矩形件优化排样问题更加有效.     

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。     

基于自适应遗传模拟退火算法的矩形件排样

研究一种自适应遗传模拟退火算法,应用于矩形件优化排样问题。以整数编码矩形件的排样序列,采用经验选择与随机生成相结合的策略构造初始种群。运用自适应交叉和变异概率动态地控制遗传算法的收敛速度,通过模拟退火算法引导全局最优搜索,采用启发式最低水平线择优算法对排样序列进行解码,形成排样方式。多组对比实验结果表明,自适应遗传模拟退火算法求解速度较快,可以有效提高板材的利用率。     

求解TSP问题的改进模拟退火遗传算法

巡回旅行商问题（TSP）是最典型的NP的难题,遗传算法（GA）是解决这类问题的有效方法之一。由于该问题的解是一种特殊的序列,一般的交叉算子在该问题的求解效果方面并不理想,提出了贪心的3PM交叉算子,同时又引入退火选择方法,形成一种新的模拟退火遗传算法GCBSAGA（Greed Cross-3PM Based on Simulated Annealing Genetic Algorithms）。该算法还将模拟退火算法与遗传算法相结合,使得遗传算法在前期发挥着全局搜索的强大功能,很容易收敛到全局较优解;后期用模拟退火算法来处理遗传算法前期的全局较优解,充分利用模拟退火算法后期局部搜索的强大功能,最终收敛到全局最优解。经过国际公认的TSPLIB提供的实验数据的验证,GCBSAGA在实例eil76、eil101、pr144、st70均找到了比TSPLIB提供的最优路径更优的解。     

求解非线性互补问题的熵函数认知优化算法

提出了一个求解非线性互补问题的熵函数社会认知优化算法。首先将非线性互补问题转化为非线性方程组来求解,然后利用熵函数法将非线性方程组求解转化为一个光滑的无约束优化问题,最后应用社会认知优化算法求解此优化问题。实验结果表明,该算法收敛速度快,稳定性好,是求解非线性互补问题的一种有效算法。     

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。     

一类动态非线性约束优化问题的新解法

动态非线性约束优化是一类复杂的动态优化问题,其求解的困难主要在于如何处理问题的约束及时间（环境）变量。给出了一类定义在离散时间（环境）空间上的动态非线性约束优化问题的新解法,从问题的约束条件出发构造了一个新的动态熵函数,利用此函数将原优化问题转化成了两个目标的动态优化问题。进一步设计了新的杂交算子和带局部搜索的变异算子,提出了一种新的多目标优化求解进化算法。通过对两个动态非线性约束优化问题的计算仿真,表明该算法是有效的。     

混合快速细菌觅食算法求解非线性方程

对于非线性方程组的求解,传统方法有很多,如牛顿法、梯度下降法等,但这些算法存在要求方程组连续可微、初值的选取是否合适等缺点,根据以上缺点将求解的问题转化为优化的问题,提出了新的交叉优化算法,充分利用细菌觅食算法局部搜索能力和粒子群算法的全局搜索能力,充分发挥了这两个算法各自优点。数值实验表明,新的算法可以弥补粒子群算法局部搜索能力弱和细菌觅食算法的全局搜索能力的不足,是求解非线性方程的有效方法。     

XL算法的冗余分析与改进

针对多变量二次方程组的求解问题,对XL算法的冗余性进行分析与改进.用XL算法扩展方程组存在冗余现象,采用该算法扩展由m个方程构成的n元二次方程组,所得到的新方程组中线性独立方程个数的上界为[mn(n+3 )-m( m-3)]/2.基于此,对XL算法进行改进.分析表明,改进后的XL算法能降低求解多变量二次方程组的计算复杂...     

基于再生核Hilbert空间的非线性信道均衡算法

在高速无线通信领域,为消除码间干扰（ISI）必须研究非线性信道均衡技术。基于再生核希尔伯特空间（RKHS）研究非线性信道的自适应均衡算法。首先基于非线性维纳模型提出均衡器的结构,基于RKHS引入核方法,与仿射投影算法（APA）相结合推导出核仿射投影算法（KAPA）,再通过引入松弛因子得到改进的KAPA算法。用蒙特卡罗法对提出的自适应算法进行仿真,从收敛性能、误码率（BER）、跟踪能力、计算复杂度等方面与其他算法做比较。在不增加计算复杂度的情况下,极大降低了误码率,非常适合时变非线性信道均衡的应用。     

基于Sobol序列和纵横交叉策略的麻雀搜索算法

针对麻雀搜索算法(SSA)容易陷入局部最优、收敛速度较慢等问题,提出一种基于Sobol序列和纵横交叉策略的麻雀搜索算法(SSASC).首先,在初始化阶段引入类随机采样方法中的Sobol序列,以增强种群的多样性和遍历性;其次,提出一种指数形式的非线性惯性权重,从而提高算法的收敛效率;最后,应用纵横交叉策略对算法进行改进,...     

一个结合信赖域技术的修正的Levenberg-Marquardt方法

在文献[1]的基础上,结合信赖域技术和Levenberg-Marquardt方法求解非线性方程组的特点,提出了一种求解奇异非线性方程组的修正的Levenberg-Marquardt方法,给出了算法的全局收敛性,并在弱于非奇异条件的局部误差有界的条件下,证明了修正的Levenberg-Marquardt方法仍具有局部二阶收敛速度,数值试验表明算法是非常有效的。     

混合量子算法及其在flow shop问题中的应用

量子进化算法（QEA）是目前较为独特的优化算法,它的理论基础是量子计算。算法充分借鉴了量子比特的干涉性、并行性,使得QEA求解组合优化问题具备了可行性。由于在求解排序问题中,算法本身存在收敛慢,没有利用其它未成熟个体等缺陷,将微粒群算法（PSO）及进化计算思想融入QEA中,构成了混合量子算法（HQA）。采用flow shop经典问题对算法进行了测试,结果证明混合算法克服了QEA的缺陷,对于求解排序问题具有一定的普适性。     

基于改进的蜂群算法求解专有路径保护设计优化问题

针对光网络故障恢复资源利用的优化问题,采用改进的蜂群算法（IABC）来求解专有路径保护设计优化问题。由于采蜜机理的蜂群算法全局寻优能力较弱,引入禁忌表机制,增强算法搜索全局最优解的能力,并改进蜂群算法的交叉算子,增强算法的收敛速度。通过实验仿真。结果表明与传统的ABC算法相比,IABC能算法大大地提高计算效率,针对较复杂网络资源优化的NP问题提供有效的可行性实施方法。