用混合遗传算法求解虚拟企业生产计划

针对虚拟企业生产计划的特点，以各成员企业承担的生产任务为对象，以快速响应市场为目标，建立了生产任务计划的数学模型，并基于该模型，提出一种基于遗传算法与模拟退火算法混合的求解算法，充分发挥了遗传算法良好的全局搜索能力和模拟退火算法有效避免陷入局部极小的优点．从而提高了算法的全局寻优能力．数值仿真计算表明了该算法的良好收敛性和有效性．     

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。     

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。     

融合模拟退火的遗传算法在文档聚类中的应用

为了准确高效地对网上获取的文档进行聚类,在布尔逻辑模型的基础上提出了一种改进的最优相似度搜索方法。该方法将模拟退火的思想融入到遗传算法当中,通过“撒种”操作将模拟退火算法的局部搜索能力以及遗传算法的全局搜索能力结合起来。实验表明,使用该混合算法对文档进行聚类,不仅搜索效率得到了提高,而且准确度优于使用传统的遗传算法。     

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。     

基于自适应模拟退火遗传算法的非线性方程组求解

将非线性方程组的求解问题转化为函数的优化问题。针对传统的遗传算法（GA）容易早熟的不足,对其进行了两方面改进,采用自适应交叉比例产生交叉后代和变异后代,并融合模拟退火算法（SA）的思想,建立了自适应模拟退火遗传算法（ASAGA）。数值实验表明,该算法提高了遗传算法的全局搜索能力,是求解非线性方程组的一种有效算法。     

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。     

基于模拟退火遗传算法的软件测试数据自动生成

提出了一种应用于软件测试中的基于模拟退火遗传算法的测试数据自动生成算法。该算法针对测试数据自动生成的特点将遗传算法和模拟退火有机结合,充分发挥遗传算法的全局搜索和模拟退火的局部搜索优势,提高了测试数据的生成能力。实验结果表明,该算法在测试数据自动生成的效率和效果方面,优于遗传算法。     

基于混合算法的带时间窗的车辆路径问题求解

建立了有时间窗车辆路径问题的数学模型,针对遗传算法在局部搜索能力方面的不足,提出将模拟退火算法与遗传算法相结合,从而构造了有时间窗车辆路径问题的混合遗传算法,并进行了实验计算。结果表明,用混合遗传算法求解该优化问题,可以在一定程度上克服遗传算法在局部搜索能力方面的不足和模拟退火算法在全局搜索能力方面的不足,从而得到了质量较高的解。     

改进和声搜索算法及其在连续函数优化中的应用

针对一般和声搜索(HS)算法在求解连续函数优化问题时存在的困难,提出一种改进的多样化和声搜索(IDHS)算法。该算法借鉴模拟退火算法的思想对参数的更新方式作出调整,并且限制保存在和声记忆矩阵中的一致和声的数量以增加解的多样性。数值仿真结果表明,与其他几种传统的和声搜索算法相比,该方法进一步提高了计算精度和收敛速度,以及全局寻优能力。     

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。     

基于退火遗传算法的复杂机电系统控制参数最优整定

针对复杂机电系统中可调参数多、调整范围大、参数之间耦合强、常规方法难于整定与组态的难题，提出了基于退火遗传算法的参数最优整定方法．将遗传算法和模拟退火算法巧妙地结合起来、取长补短，构成一种新的高效、鲁棒的寻优算法，应用于平整机主传动速度控制系统的参数优化问题，使系统的性能指标达到最优．     

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。     

模拟退火遗传算法的轮廓线拼接研究

基于断层数据的三维重构是三维数据场可视化技术的主要研究内容,重构物体的三维模型也是分析、仿真的前提.应用模拟退火遗传算法设计和实现了三维物体表面重建算法.通过在遗传算法中融人退火处理操作,提高了种群的多样性,避免了遗传算法中存在的早熟收敛问题,有效地增强了算法的全局寻优能力.此外,提出了一种基于边的最小交叉多边形算法,提高了交叉操作效率.根据轮廓线拼接问题的特点,设计了针对性强的交叉、变异操作.实验结果表明,算法有效地提高了传统的全局法轮廓线拼接算法的效率.     

基于一种改进遗传模拟退火算法的TSP求解

快速收敛于全局最优解是遗传算法的一个研究重点.在对遗传算法和模拟退火算法研究的基础上,分析了两种算法各自的优缺点,对已有的遗传模拟退火算法进行了改进.结合遗传算法和模拟退火算法的优点,给出了一种并行的多层搜索结构,提高了算法的效率;同时,在此基础上,提出一种种群早熟评价指标.最后,将此改进算法应用到旅行商问题中,并分别对10个城市和30个城市的旅行商问题进行了仿真,用于验证算法的可行性和快速性.仿真结果表明.改进的遗传模拟退火算法能够较快的收敛于全局最优解.     

自适应最优保存的模拟退火遗传调度算法研究及其应用

该文对调度算法做了简单的介绍。在结合已有的模拟退火算法和遗传算法的基础上,改进了现有的遗传调度算法,自适应地保存最优个体,并对其进行模拟退火。与简单最优保存遗传调度算法进行了比较,结果表明新的算法比原有算法搜索能力更强,在跳出局部最优方面也有改进,有效地解决了原有遗传调度算法的早熟现象。     

基于GA-SA混合算法的VLSI门阵列布局设计

布局是VLSI布图设计中的关键环节，通常采用随机优化算法。该文采用遗传算法(GA)与模拟退火法(SA)相结合的搜索算法实现VLSI门阵列模式布局，利用遗传算法进行全局搜索，模拟退火法进行局部搜索。进化过程中采用精英保留策略，并对进化结果进行有选择的模拟退火操作，这样既加强了局部搜索能力又防止陷入局部最优。在复合布局目标函数中引入对最长线网的惩罚，其收敛速度比以总线长度为单一目标函数的要快。在交叉操作中，对交叉位置的选择采用了一种新的策略，增加了交叉的有效性。实验表明，此算法与简单遗传算法相比，有效地提高了全局搜索能力。     

基于模拟退火并行遗传算法的Otsu双阈值

模拟退火和并行遗传算法是两种较好的改进进化算法性能的方法。将这两种思想有机地结合起来,利用遗传算法能全局寻优的优势和模拟退火算法的爬山性能,提出了一种基于模拟退火并行遗传算法的Otsu双阈值医学图像分割算法。在该算法中,进化在多个不同的子群中并行进行,利用模拟退火算法的爬山性能,避免单种群进化过程中出现的过早收敛现象,提高整个算法的收敛速度。实验证明,这种新的图像分割算法与并行遗传算法相比,不仅能够对图像进行准确的分割,而且具有更强的精确性和稳定性。其收敛速度明显比并行遗传算法的Otsu双阈值医学图像分割快。