基于模拟退火的自适应粒子群优化算法的改进策略

针对PSO算法在求解问题的优化问题中易陷入局部收敛且收敛速度较慢等缺陷,引入一种初始化改进策略,并将模拟退火算法与PSO算法相结合,提出了一种全新的算法。该算法将寻优过程分为两个阶段:为了提高算法的执行速度,前期使用标准PSO算法进行寻优,后期运用模拟退火思想对PSO中的参数进行优化搜索最优解。最后将该算法应用于八个经典的单峰/多峰函数中。模拟结果表明,该算法有效地避免了早熟收敛现象,并提高了收敛速度,从而提高了PSO算法解决全局优化的性能。     

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。     

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。     

基于模拟退火机制的自适应粘性粒子群算法

为了进一步提升粒子群算法在离散优化问题中的性能,针对粘性二进制粒子群算法缺乏全局搜索能力、容易陷入局部最优和收敛速度慢的缺点,提出一种新的自适应参数策略和粒子散度指标,并结合模拟退火机制改善该算法的寻优能力.为了检验算法性能,通过选取不同维数的背包问题算例库以及不同规模的UCI特征选择问题算例库进行仿真实验,并对实验数据进行统计分析.实验以及分析结果表明,所提算法在寻优精度、算法稳定性和收敛速度上均优于对比算法.     

基于粒子群和模拟退火算法的混合算法研究

在标准粒子群优化算法的基础上给出了一种改进策略,利用混沌变量的随机性、遍历性、规律性对粒子群进行初始化选择。同时为了增加粒子多样性又不流失适值较好的粒子,在一定的周期内对所有粒子重新进行有选择的初始化,并对除了种群最优之外对应的所有个体最优变异。计算结果表明,改进的粒子群算法提高了收敛精度和速度,但是个别函数寻优失败。将改进的粒子群算法结合模拟退火算法再次计算了测试函数,结果表明,改进的混合算法可以达到目标函数的全局最优点。     

基于模拟退火粒子群优化算法的ECT图像重建方法研究

电容层析成像系统中,其反问题的“病态性”特点,导致传统图像重建算法的重建结果伪影现象严重。粒子群算法(Particles Swarm Optimization, PSO)作为智能算法的一种,具有易实现,收敛快等显著优点,缺点也很明显,即粒子易收敛于局部最优解。将模拟退火算法与粒子群搜索算法相结合,利用模拟退火算法中的概率突变能力,能够有一定概率跳出算法的局部最优解。设计了五种不同的典型流型并进行了仿真实验,利用所提算法与LBP算法、Tikhonov算法、Landweber迭代算法以及标准PSO算法分别对其进行了图像重建。仿真实验所得到的主观结果和客观数据均表明,所提算法可以有效减少重建图像中的伪影,明确图像形状,提高重建图像质量,使得图像重建结果更加接近原始流型。     

基于模拟退火粒子群算法在数据关联上的研究

在高密集多回波环境下,数据关联问题仍是多机动目标跟踪难点问题之一。为了提高跟踪的精度和可靠性,应用智能的优化算法将数据关联问题表达为一类函数求近似最优解的问题。模拟退火粒子群算法是对模拟退火算法和粒子群算法取长补短,相互结合的一种优化算法。仿真结果表明,模拟退火粒子群算法能有效的解决数据关联问题,并且明显的优于独立地使用模拟退火和粒子群算法。     

基于模拟退火离散粒子群算法的测试点优化

针对复杂系统的测试点优化问题,提出一种基于模拟退火离散粒子群（SA-BPSO）算法的测试点优化算法。该算法利用模拟退火算法的概率突跳能力,克服了基本粒子群算法易陷入局部最优解的缺陷。阐述了该算法在系统测试点优化应用中的流程及关键步骤,并且理论分析了该算法的复杂度。仿真结果表明,该算法在计算时间和测试费用方面都优于遗传算法,能够应用于复杂系统的测试点优化。     

基于差分及模拟退火的混合粒子群算法

粒群算法是一种新型的群体进化计算方法,已经在一些工程领域得到了广泛的应用,本文鉴于该算法存在收敛速度较慢,易陷入局部极值的缺点,提出一种基于差分及模拟退火的混合粒子群算法。通过对三种进化算法各自优势的分析与结合,得到一种改进的粒子群算法。     

基于粒子群与模拟退火算法的板材优化下料

提出一种用于处理板材下料问题的粒子群与模拟退火混合算法。同时,在把下料模式转化为实际设计时,提出了一种类似于Bottom Left（BL）算法的转换方法。模拟实验结果表明这种混合方法的性能明显优于粒子群算法。     

粒子群-模拟退火混合算法在群控电梯中的应用

针对高层建筑电梯多、分布散、维修不及时等问题,提出了一个优化调度、报警维修及时的群控电梯系统;采用多目标优化方法建立数学模型,利用粒子群算法的概念简单、收敛速度快、易于实现的优点,同时引入模拟退火思想来克服粒子群算法易陷入局部最优的缺陷,对目标函数进行优化,PLC编程计算出参数,上位机调度计算,根据算法结果,优化电梯,合理调度;经过MATLAB仿真分析表明,该系统节省了平均候梯时间、平均乘梯时间和系统能耗,缩短了故障时间和维修时间,具有较大的应用前景。     

基于模拟退火粒子群算法的FCM聚类方法

针对模糊C-均值（FCM）聚类算法易陷入局部极小值和对初始值敏感的缺点,提出了一种基于模拟退火粒子群优化的模糊聚类算法。该算法利用粒子群强大的全局寻优能力和模拟退火算法跳出局部极值的能力,克服了模糊C-均值聚类算法的不足。实验表明,该算法有很好的全局收敛性,能够较快地收敛到最优解。     

一种模拟退火和粒子群混合优化算法

针对粒子群优化算法(PSO)容易陷入局部极值点、进化后期收敛慢和优化精度较差等缺点.把模拟退火技术(SA)引入到PSO箅法中,提出了一种混合优化算法.混合优化算法在各温度下依次进行PSO和SA搜索,是一种两层的串行结构.由于PSO提供了并行搜索结构,所以,混合优化算法使SA转化成并行SA算法.SA的概率突跳性保证了种群的多样性,从而防止PSO算法陷入局部极小.混合优化算法保持了PSO算法简单容易实现的特点,改善了算法的全局优化能力,提高了算法的收敛速度和计算精度.仿真结果表明,混合优化算法的优化性能优于基本PSO算法.     

基于模拟退火算法的粒子群优化算法在容器调度中的应用

随着互联网产业的发展,虚拟机创建速度慢、不易扩展、灵活性不足等缺点越来越凸显,容器技术的出现为这些问题提出了一种新的解决思路;而现有的调度算法仅考虑容器云集群中工作节点的内存、CPU等物理资源,没有考虑对容器云调度后的镜像分发过程有明显影响的网络负载率,导致容器调度任务等待时间过长,造成数据中心的资源浪费;鉴于粒子群优化算法在局部开采能力和全局探测方面有较强的优势,提出了一种基于模拟退火算法的粒子群优化算法(SA-PSO,simulated annealing particle swarm optimization algorithm)的容器调度算法,通过使用模拟退火优化粒子群算法使其在算法初期跳出局部最优情况,提升算法性能;在Kubernetes平台实验过程中,SA-PSO调度算法相比Kubernetes的BalancedQosPriority算法,提升了整体节点资源利用率,显著减少任务最少等待时间;同时与标准PSO算法以及动态惯性权重PSO算法进行对比,不仅收敛能力有显著提升,并且相较标准PSO算法全局最优节点命中率提升近60％.     

基于模拟退火粒子群算法的认知引擎研究

认知引擎的基本功能之一就是根据复杂多变的无线环境及业务需求,利用多目标优化策略,自适应地调整无线参数,实现动态环境下的可靠通信。目前,很多研究的重点集中在遗传算法(GA)及其改进算法上,但其收敛速度较慢,不利于复杂多变以及实时性要求较高的系统。对此,提出一种模拟退火粒子群算法(SABPSO),它采用模拟退火与粒子群算法交替迭代的方式,协同寻优。其可有效提高收敛速度,并克服基本粒子群算法易于陷入局部极值的缺点,增强全局寻优能力。最后,在不同通信模式下,利用多载波系统进行仿真,结果表明,SABPSO算法在收敛速度和平均适应度上优于基本算法。     

基于模拟退火算法的可逃逸粒子群算法

通过引入模拟退火算法来保证PSO的全局收敛性,在群体最优信息陷入停滞时引入位置逃逸机制保持前期搜索速度快的特性。仿真结果表明本算法不但具有好的全局收敛性,而且有好的收敛速度。     

基于粒子群优化算法的并行模拟退火算法

针对模拟退火（simulated annealing,SA）算法收敛速度慢,随机采样策略缺乏记忆能力,算法内在的串行性使其具有并行化问题依赖等缺点,提出了基于粒子群优化（particle swarm optimization,PSO）算法的并行模拟退火算法。该算法利用粒子群优化算法中个体的记忆功能引导算法在解空间中开展精细搜索,在反向学习算法基础上设计新的反向转动操作机制增加了算法的多样性,借助PSO的天然并行性克服了SA的并行问题依赖性,并在集群上实现了多Agent协同进化的改进算法。对Toy模型的蛋白质结构预测问题进行了仿真实验,结果表明该算法能有效提高求解问题的质量和效率。     

模拟退火粒子群算法的Volterra主动噪声消除器

当Volterra滤波器的阶数较大时,滤波器的系数呈几何级数增长,实现困难。本文利用模拟退火粒子群算法优化二阶Volterra非线性滤波器系数,并将其用于管道噪声消除。该算法结构简单、运行速度快,有较强的全局搜索能力。数值仿真结果表明,该方法达到良好的非线性消噪效果。     

基于模拟退火粒子群优化的基因数据双聚类算法

基因数据双聚类是基因表达数据矩阵中具有相近的表达水平的子矩阵,其中的行和列分别代表基因子集和条件子集。双聚类算法则是在基因数据矩阵的行和列2个方向上同时聚类以找出这样的子矩阵。本文提出基于模拟退火与粒子群优化的混合优化算法,避免单纯模拟退火法中的概率突跳性缺点。我们算法采用自底向上的搜索策略,首先生成双聚类种子,然后采用混合优化算法添加种子的行和列,找出最优聚类结果。在酵母细胞基因数据集的实验中,我们双聚类的各项指标能够达到高质量结构,验证了本文方法的有效性。