改进模拟退火算法求解TSP问题

对模拟退火算法进行了改进,从不同的初始状态开始搜索来解决TSP问题,并将计算的结果与遗传算法的计算结果进行比较,优于文献[1]中遗传算法的结果。     

基于模拟退火算法的Job Shop问题研究

本文介绍了Metropolis准则,给出了模拟退火算法解决生产调度问题的基本方法和步骤,并对算法的有效性进行了验证。     

模拟退火算法在神经网络中的实现

神经网络是用于模拟人的大脑组织结构的一种网络结构。在很多技术领域存在着大量的组合优化问题．这些问题随着规模的增大,求解的时闻和空间呈指数级增长,当规模达到一定程度,在时间上,求解就变得没有可行性可言,而神经网络是近似求解的一种很好的解决方法。神经网络的实现方法有多种,例如模拟退火算法、BP算法和遗传算法,等等,其中,模拟退火算法是一种计算精度比较高、收敛速度较快的算法。     

基于模拟退火算法的函数极值分析

基于模拟退火算法的原理,应用退火模型系统地分析了函数极值优化算法,评价了关键参数和操作的设定,实现了二维函数的全局最优解。     

小波混沌神经网络模拟退火参数研究

小波混沌神经网络已经成功地解决了函数优化和组合优化问题。研究了分段指数退火函数的Morlet小波混沌神经元模型,给出了分段小波混沌神经元的倒分岔图和Lyapunov指数图。在小波混沌神经网络的基础上,加入了分段指数退火函数,提出了一种新的改进的小波混沌神经网络,并把它应用到函数优化和组合优化问题中。仿真结果表明,改善了小波混沌神经网络的寻优能力,改进的小波混沌神经网络优于原来的小波混沌神经网络。     

基于模拟退火的改进分布估计算法研究

针对分布估计算法(EDA)局部搜索能力弱、迭代后期不易跳出局部最优解的缺点,提出一种基于模拟退火的改进分布估计算法(SA-EDA)。SA-EDA在迭代初期保留EDA的优点,能够快速收敛,全局寻优能力强;在迭代后期算法停滞时则采用模拟退火机制,利用Metropolis接受准则能以一定概率接受较劣解的特点,增加种群多样性,使算法跳出当前最优,并进一步搜索全局最优解。通过六个测试函数的检验结果表明,与EDA和粒子群算法(PSO)相比,SA-EDA收敛精度更好,稳定性更强,并具备比EDA更快的收敛速度,寻优性能更佳。     

遗传算法和模拟退火算法求解TSP的性能分析

旅行商问题（Traveling Salesman Problem,TSP）是一个典型的组合优化问题,并且是一个NP难题,其可能的路径总数与城市数目是呈指数型增长的,所以一般很难精确地求出其最优解,因而寻找出有效的近似求解算法就具有重要的意义。目前求解TSP问题的主要方法有模拟退火算法（Simulated Annealing,SA）、遗传算法（Genetic Algorithm,GA）和神经网络算法等。GA是模拟生物在自然环境中的遗传和进化过程而形成的一种自适应的全局优化概率搜索算法。SA算法用于优化问题的出发点是基于物理中固体物质的退火过程与一般优化问题的相似性。文中将提出遗传算法和模拟退火算法求解TSP问题,通过试验比较两者求解TSP问题的性能,结果表明GA的性能要优于SA的性能。     

用蚂蚁算法和模拟退火算法解大规模TSP问题的研究

TSP问题是一个NP完全问题。随着问题规模的增大,其解空间呈指数增长,无法在多项式时间内完成问题的求解。近几十年来,人们提出了许多基于生物理论的解决该问题的 新方法。本文应用蚂蚁算法、模拟退火算法对TSP问题进行求解。在求解过程中对各算法中参数的作用和设置方法作了一些分析,使用不同参数进行多次实验,验证参数设置原则;对不同规模的TSP问题进行实验,比较两个算法的性能,分析造成其性能差异的原因,并提出了改进建议。     

一种改进的遗传模拟退火算法在TSP中的实现

从避免算法进入局部极小值、提高解空间的搜索能力的角度出发,提出应用遗传模拟退火算法解决TSP问题,该算法结合了遗传算法和模拟退火算法的优点,并有效地克服了各自的弱点,使其在提高全局最优的速度方面具有明显的优越性.最后给出仿真试验,并证实了该算法优于遗传算法和模拟退火算法.     

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。     

一种模拟退火算法与禁忌搜索算法的混合算法

通过结合模拟退火算法与禁忌搜索算法的优点,提出一个组合算法,并将其应用到旅行商问题（TSP）中。并用C＋＋实现一般的模拟退火算法和这种组合的模拟退火算法．比较结果显示出这种组合算法可以得到更好的结果。     

基于离散和声搜索与模拟退火的混合算法

和声搜索是一种启发式优化算法,对和声搜索算法进行离散化,使其能够适用于组合优化问题,就离散和声搜索算法进行两点改进,针对离散和声搜索算法容易陷入局部最优的缺陷,提出一种离散和声搜索与模拟退火算法的混合策略。实验结果表明,基于改进离散和声搜索与模拟退火的混合算法具有较高的求解质量。     

一种改进的模拟退火算法在服装配送系统中的应用

服装配送可以归类为TSP问题的应用之一。处理TSP问题有很多算法,针对传统模拟退火算法在求解TSP问题中存在的收敛速度慢、易陷入局部最优等一些缺陷,提出了一种基于传统模拟退火算法的改进算法：将2变换法与3变换法结合起来产生新解。并添加具有记忆功能的模拟退火算法。不同温度下采用不同的迭代次数。并用C语言进行实现,实验结果表明,改进后的算法在稳定性、有效性以及收敛速度方面都优于传统的模拟退火算法。     

基于免疫规划的模拟退火算法

通过对模拟退火算法优缺点的分析,提出了一种新型的模拟退火算法——基于免疫规划的模拟退火算法。该算法借鉴了生物免疫概念与理论,将免疫规划的全局寻优能力与模拟退火算法的局部寻优能力相结合,克服了模拟退火算法运算效率低的缺点。理论分析和仿真结果表明,该算法不仅能够有效地保持种群的多样性,而且收敛速度和稳定性都有了明显提高,收敛到最优值的比例可达到91%。     

Simulated Annealing versus Metropolis for a TSP instance

In a recent paper [I. Wegener, Simulated Annealing beats Metropolis in combinatorial optimization, in: L. Caires, G.F. Italiano, L. Monteiro, C. Palamidessi, M. Yung (Eds.), Proc. ICALP 2005, in: LNCS, vol. 3580, 2005, pp. 589-601] Wegener gave a first natural example of a combinatorial optimization problem where for certain instances a Simulated Annealing algorithm provably performs better than the Metropolis algorithm for any fixed temperature. Wegener's example deals with a special instance of the Minimum Spanning Tree problem. In this short note we show that Wegener's technique as well can be used to prove a similar result for another important problem in combinatorial optimization, namely the Traveling Salesman Problem. The main task is to construct a suitable TSP instance for which SA outperforms MA when using the well known 2-Opt local search heuristic.     

模拟退火多亲遗传数据生成算法研究

针对航天测控实时数据驱动软件测试数据结构复杂、构造困难的特点,提出基于模拟退火多亲遗传算法的测试数据自动生成算法,给出算法中适应度函数选择方法和变异函数退火控制策略,分析算法实际应用结果。实测数据证明采用该算法构造测试用例测试发现的软件缺陷多于普通数据生成算法近30%。