基于遗传模拟退火算法的门阵列布局方法

为实现门阵列模式布局,将遗传算法与模拟退火算法相结合,提出一种新的遗传模拟退火算法,利用遗传算法进行全局搜索,利用模拟退火法进行局部搜索,在进化过程中采用精英保留策略,对进化结果进行有选择的模拟退火操作,既加强了局部搜索能力又防止陷入局部最优。实验结果表明,与传统遗传算法相比,该算法能够有效提高全局搜索能力。     

VLSI布局结构表示研究进展

超大规模集成电路技术的迅猛发展迫切需要高性能CAD工具——电子设计自动化软件工具的支持．布局是布图设计中一个极为重要的环节．目前,在深亚微米、超深亚微米工艺下的超大规模、甚大规模集成电路设计中,布局结果的好坏直接影响整个布图设计,因此如何高效地表示布局结构,从而提高布局质量成为布图设计中的一个国际上的研究热点．文中介绍并分析了当前国内外比较流行的布局结构的表示方法研究工作的进展情况．     

VLSI定量驱动布局算法

定量驱动布局算法是改善ＶＬＳＩ性能的重要措施，现有算法主要建立在面向网络和面向通路两种技术之上，仅获得局部最优解，本文以获得全局最优解为目标，从电路逻辑结构和传输延时出发，提出了面向电路最大延时的布局算法，实验表明，本算法是有效的。     

基于禁忌搜索算法的VLSI布局

将禁忌搜索算法应用于VLSI门阵列的布局问题,建立了以总线长度和通道拥挤度的布局目标函数,用禁忌搜索算法求解目标函数的最小值,通过实验仿真,将本算法和遗传算法进行了比较,结果表明不论在解的质量和收敛速度方面,禁忌搜索算法优于遗传算法.     

基于GA-SA算法的网格工作流调度

对用于网格工作流调度的遗传模拟退火(GA-SA)算法进行改进.在GA算法部分结合了基于阈值的动态交叉和变异概率, 并通过动态的调节近邻子集的大小,提高收敛速度,有效防止种群早熟现象,通过实验验证该算法的可行性和有效性.     

宏单元阵列布局的两步模拟退火算法

本文提出了一种适用于ＶＬＳＩ布局的算法－两步模拟退火算法，针对宏单元版图模式的特点，算法将通常的模拟退火过程为分两步完成，从而使得算法性能有所改善。     

基于改进型遗传算法的门阵列模式布局

门阵列模式布局是一类 NP完全问题 .本文将一种改进型遗传算法用于门阵列模式布局 ,提出了相应的数学模型 ,并在布局目标函数中引入了通道拥挤度的概念 ,使布局的构形更趋合理 .实验表明 ,应用所提出的模型及算法能在较短的时间内提供优化解 ,避免了一般优化算法的局部最优问题和维数灾难问题 ,为门阵列模式布局开创了一条新的路径     

基于禁忌搜索算法的VLSI布局

将禁忌搜索算法应用于VLSI门阵列的布局问题，建立了以总线长度和通道拥挤度的布局目标函数，用禁忌搜索算法求解目标函数的最小值，通过实验仿真，将本算法和遗传算法进行了比较，结果表明不论在解的质量和收敛速度方面，禁忌搜索算法优于遗传算法。     

一种改进的VLSI电路有效布局算法

采用重心矩形约束[1]进行VLSI布局会出现以下问题：(1)布局边界的浪费,出现不可利用的小区域;(2)放置模块时可能会出现模块放置在实际有效区域内却因为重心约束成为非法放置。为了解决该问题,本文提出了一种改进文献[1]的VLSI布局启发式算法：通过设计模块的优先顺序进行合理布局,并辅助于边界矩形来解决重心矩形约束出现的问题;对模块布局放置的多个可能位置进行比较,并将其放置在优先度最高的适当区域。用Banchmark（ami33,ami49）和文献[1]的数据进行测试,结果表明新算法：（1）算法简洁高效,运行时间短;（2）布局结果明显好于文献[1]。     

VLSI布局布线及其划分算法的设计与实现

本文讨论在ＶＬＳＩ网络划分中应用的ｍｉｎｉ－ｃｕｔ算法，并根据实际运行情况提出一种改进的划分算法。     

基于遗传算法和模拟退火算法的特征选择方法

针对模式识别时原始特征数量大而有冗余的现象,提出了一种基于遗传退火算法的特征选优方法。首先对遗传算法和模拟退火做了简要评论,然后在遗传算法中引入模拟退火的Boltzmann更新机制,以克服传统的遗传算法易于过早收敛和易于陷入局部极小的问题。最后阐述、设计了适应度函数和遗传算子。仿真实验表明,该方法在求解的效率和解的质量方面都达到了令人满意的效果。     

基于遗传算法和模拟退火算法的布局问题研究

文章在介绍遗传算法和模拟退火算法的基本理论及主要特点的基础上,提出了一个基于遗传算法和模拟退火算法的求解布局问题(矩形件排样优化)算法,并通过算例验证了该算法的有效性。     

基于模拟退火遗传算法的认知无线电决策引擎

如何根据环境变化和用户需求智能调整无线电参数是认知无线电的基本功能.提出了遗传算法和模拟退火相结合的认知无线电参数调整方法,给出了该方法流程,运用多载波系统对算法性能进行了仿真分析.实验结果表明该方法改进了遗传算法中后期的爬山能力,优化得到的参数比单独使用遗传算法优化所得参数具有更高的归一化目标函数值,而且该方法能够在多个目标函数间进行权衡,参数调整结果与当前对目标函数的偏好一致.     

模拟退火自适应大变异遗传算法及其应用

为了克服遗传算法易陷入局部最优或早熟问题,提出了一种模拟退火大变异遗传算法,采用了大比例优秀个体保护策略,以保证算法的收敛性。应用该算法求解旅行商问题的仿真实验证明了它能较快地收敛到最优解或准最优解。     

时滞系统控制参数优化的遗传模拟退火算法

该文基于遗传模拟退火算法,提出一种时滞系统的控制参数优化方法,同时对Matlab遗传算法工具箱GAOT进行改进,使之适用于PID参数的优化。该文所采用的算法保留了遗传算法和模拟退火算法分别在全局和局部搜索能力强的优点,能克服常规遗传算法中解的早熟现象、局部寻优能力差,难以保证对参数优化的计算效率和可靠性要求等缺陷。研究表明,改进后的遗传模拟退火算法是一种行之有效的方法,具有实用价值。     

基于遗传模拟退火算法的移动机器人路径规划

针对移动机器人路径规划的难题,运用了一种基于遗传模拟退火算法的移动机器人最优路径规划方法,对移动机器人的路径规划进行了设计,采用了栅格法对环境进行建模.为了提高路径规划的效率,采用了一种改进的避障算法来生成初始种群.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,新算法具有较强的全局和局部搜索能力.仿真实验结果证明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.     

基于遗传模拟退火算法的QoS组播路由算法

提出了一种基于遗传模拟退火算法的带宽、时延和时延抖动约束费用最小的组播路由选择方法，该方法针对遗传算法的局限性，采用基于备选路径集的整数队列编码机制，对适应度函数进行了调整，改进了交叉和变异操作，结合了模拟退火算法。实验表明，该算法能够有效地提高收敛速度、避免早熟收敛、满足多媒体网络对相应QoS的需求。     

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 .     

基于退火免疫遗传算法的测试用例生成研究

在软件测试技术中,高效的测试用例生成是简化测试工作、提高测试效率的必要手段.提出了一种应用于软件测试中的基于退火免疫遗传算法(AIGA)的测试用例自动生成算法,介绍了AIGA测试用例生成模型和AIGA算法的基本思想.算法融合了模拟退火算法和免疫算法在避免陷入局部最优和保持种群多样性方面的优势,克服遗传算法局部搜索能力差及其早熟现象和模拟退火算法全局搜索能力差、效率不高的问题.实验结果表明,算法在测试用例自动生成的效率和效果方面.优于传统遗传算法.