模拟退火遗传算法在机械臂路径规划中的应用

为研究机械臂的路径规划问题,将传统的退火算法与遗传算法相结合,提出了一种改进的模拟退火遗传算法.该算法不仅能自适应改变遗传过程中的交叉概率和变异概率,还加入了局部退火操作,对每代子种群进行退火处理以克服路径规划过程中陷入局部最优的问题.此外,引入整体退火观念,在整个进化过程中,随着温度的降低,不断拉伸适应度函数提高算法效率.将该算法应用于实验室自主研制的七自由度轻型冗余机械臂上,以时间冲击最优为目标进行轨迹规划.实验表明,该算法可以在保证各项约束的条件下获得最优路径.     

并行遗行／模拟退火混合算法及其应用

1 引言人们常常应用随机优化方法,例如:遗传算法GA(Genetic Algorithms),模拟退火算法SA(Simulated Annealing),爬山算法HC(Hill Climbing),Tabu算法等,解决复杂的非线性函数优化问题。这些方法通常需要大量的计算,从而导致运行时间开销较大。随着计算机及网络技术的高速发展,在高性能计算平台上并行化随机优化方法成为当今研究领域的热门。特别是Beowulf PCs Cluster技术的成熟,为研究人员提供了     

基于模拟退火遗传算法的关联规则挖掘

将模拟退火遗传算法加以改进,应用于关联规则挖掘,提出一种新的基于改进的模拟退火遗传算法的关联规则挖掘算法,并在该算法中,采用自适应方式动态选取交叉和变异概率,有效地抑制了早熟收敛现象,实验结果显示该方法能高效地解决关联规则挖掘问题。     

对工作流网的过程挖掘算法研究

过程挖掘主要是发现事件日志的有价值的客观信息,对于它的研究为实施新的业务过程和对已实施的业务过程进行分析改进具有重要的作用,本文主要是基于工作流网,对于多事件类型挖掘、间接依赖关系挖掘以及不可见任务挖掘及算法进行的探讨研究。     

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。     

基于混合模拟退火-遗传算法和HMM的Web挖掘

隐马尔可夫模型训练算法是一种局部搜索算法,对初值敏感。传统方法采用随机参数训练隐马尔可夫模型时常陷入局部最优,应用于Web挖掘效果不佳。遗传算法具有较强的全局搜索能力,但容易早熟、收敛慢,模拟退火算法具有较强的局部寻优能力,但会随机漫游,全局搜索能力欠缺。综合考虑遗传算法和模拟退火算法的特点,提出混合模拟退火-遗传算法SGA,优化HMM初始参数,弥补Baum-Welch算法对初始参数敏感的缺陷,Web挖掘的实验结果表明五个域提取的REC和PRE都有明显的提高。     

基于动态工作流网的工作流过程挖掘

挖掘和描述过程日志中的动态信息可以提高工作流过程建模的效率和效果.为此,在工作流网的基础上提出了动态工作流网,进行了合理性分析,并给出了基于此概念的过程挖掘算法.原型系统的实验结果表明,该算法是有效的.     

模拟退火算法和遗传算法的比较与思考

在目前的计算机学科中,有一大类问题至今还没有快速合理的解决算法,并且其中有很多问题都是在实际应用中所碰到的优化问题。虽然目前没有能精确解决这些问题的最优算法,但是在实际应用中,人们还是找到了许多能产生近似最优解的有效算法,模拟退火算法和遗传算法便是这一类算法中的经典算法。该文浅析了此两种算法的原理,并通过一个简单的例子对这两种算法进行了比较和总结。     

混沌遗传模拟退火组合算法性能研究

提出了一种混沌遗传模拟退火组合算法.为了提高算法的收敛速度,对遗传算法的适应度进行了拉伸操作,并且对模拟退火算法进行了改进,使其搜索范围随退火温度的降低而缩小.最后通过对4个典型函数的模拟,对算法的性能进行了研究.实验结果表明,该算法能明显改善传统遗传算法的性能,具有较强的全局搜索能力和较快的收敛速度.     

基于小生境的混和遗传退火算法的并行化

提出一种并行小生境混合遗传退火算法,并对该算法的特点和优化性能作了定性分析,该并行算法调用了MPI并行库,采用Master-Slaver结构,融入小生境淘汰技术.并应用该算法优化典型的多峰值测试函数-Shubert函数,结果表明这种并行后的算法提高原小生境混合遗传退火算法进化速度,增强全局寻优能力.     

函数优化问题的一种异步并行模拟退火算法

针对工程中的多极值点复杂函数的优化问题,提出一种完全异步的粗粒度并行模拟退火算法.在一定时间内将一条Markov链分裂成多条Markov链,并结合其他多种改进方法,获得了可扩展的并行效果,提高了算法应用的灵活性.数值计算表明,该方法可显著提高算法的收敛速度.     

基于模拟退火遗传算法的服务选择

为了解决面向服务体系结构服务组合中服务选择问题,提出了一种将模拟退火算法与遗传算法相结合的融合算法。将服务流程等效成AOV图,对AOV图进行拓扑排序,并将生成的拓扑序列作为遗传算法的编码,使用QoS参数作为适应度,在遗传算法生成每一代子代后,利用模拟退火算法对其进行局部优化调整。仿真实验结果表明,模拟退火遗传算法在减少服务流程资源消耗上能取得理想的效果。     

基于遗传模拟退火的QoS单播路由算法

针对QoS的问题,设计了一种融合遗传算法和模拟退火算法的QoS路由算法,在遗传算法选择算子上借鉴了小生境的思想,避免了遗传初期有效基因的丢失;在遗传算法交叉算子和变异算子方面使用了自适应算子,使之能更好地适应网络的变化。通过与传统遗传算法进行比较,进一步说明了本算法的有效性。     

基于混合遗传模拟退火算法求解TSP问题

TSP问题是典型的NP-hard组合优化问题,遗传算法是求解此类问题的一种方法,但它存在如何较快地找到全局最优解,并防止“早熟”收敛的问题。针对上述问题并结合TSP问题的特点,提出将遗传算法与模拟退火算法相结合形成遗传模拟退火算法。为了解决群体的多样性和收敛速度的矛盾,采用了部分近邻法来生成初始种群,生成的初始种群优于随机产生初始种群。仿真实验结果证明,该算法相对于基本遗传算法的收敛速度、搜索质量和最优解输出概率方面有了明显的提高。     

基于模拟退火算法的遗传程序设计方法

遗传程序设计（GP）是运用遗传算法的思想，通过生成计算机程序来解决问题的，但用它来解决大型或复杂问题时，就存在一些难以解决的问题，尤其是大量使用计算机内存和CPU时间，大大影响了工作性能。以符号回归问题为例，针对传统的遗传程序设计方法在解决问题时所遇到的困难，提出一个基于模拟退火算法的遗传程序设计方法，进一步提高GP系统求解问题的能力。     

基于模拟退火算法的多阈值图像分割*

针对多阈值图像分割时Otsu算法计算量过大的问题,提出基于模拟退火算法的阈值选取方法。首先依据最大类间方差准则,通过对直方图分析处理得到初始阈值向量,然后将该阈值向量作为初始解,利用改进的模拟退火算法逼近最优阈值向量。较之Otsu算法,该算法的计算量大幅减小,如实验中对图像的三阈值分割,运行效率提高了400多倍。结果表明,该算法能够快速、准确地实现多阈值图像分割。     

基于模拟退火遗传算法的多agent系统任务分配

针对标准的遗传算法在任务分配中收敛速度慢的问题,对多agent系统中的任务分配进行形式化描述的基础上,融合模拟退火算法的优化思想,提出了一种基于模拟退火遗传算法的任务分配方法,详细阐述了该算法的基本思想和关键步骤,并通过仿真实验进行验证。仿真实验结果表明,基于模拟退火遗传算法比标准的遗传算法具有更快的收敛速度和寻优效果。     

基于免疫遗传退火算法的Web关联规则挖掘方法*

摘要：根据关联规则挖掘的要求与特点,结合免疫算法,遗传算法和模拟退火算法的优点,提出一个基于免疫遗传退火算法的Web关联规则挖掘方法。实验结果表明,与遗传算法和模拟退火算法相比,基于免疫遗传退火算法的关联规则发现在Web挖掘中具有一定的优势。     

基于模拟退火算法的水彩画仿真

为了快速有效地进行水彩非真实感绘制,综合考虑了工具材质的物理特性和视觉特征,提出一种基于模拟退火算法的水彩画计算机仿真方法.通过定义颜料颗粒解、产生函数和冷却进度表,并且利用解空间的迭代计算模拟水彩动静态属性.为了增加绘制效果真实感,利用Ashikhmin纹理映射算法合成水彩纸的自然背景纹理,并修正和迁移了光学库伯卡-芒克模型以融合纹理基质和颜料涂层,仿真了水彩肌理性特征.实验结果表明了该方法的有效性.