两种确定热控涂层性能退化模型参数的组合优化算法

针对航天器热控涂层性能退化预测问题,提出了自适应模拟退火回火算法和自适应综合遗传算法。利用美国Tenflon型涂层材料短时间地面模拟实验数据对上述两种算法进行了模型参数求解。并将所得预测曲线与美国9年时间跨度的Teflon型涂层材料地面模拟实验数据进行比较,比较结果表明了模拟退火回火算法以及自适应综合遗传算法对解决航天器热控涂层性能退化预测问题是可行的和有效的。     

自适应遗传退火算法在薄膜椭偏测量中的应用

将自适应遗传模拟退火混合算法应用于薄膜椭偏测量的反演问题中.由于模拟退火算法的基本思想是跳出局部最优解而得到全局最优解,因此将模拟退火思想引入到遗传算法,遗传算法和模拟退火算法相结合,组建自适应遗传模拟退火算法,从而综合了全局优化和局部搜索的特点,并通过模拟计算,验证了此方法在薄膜椭偏测量问题中的可行性及有效性,为解决...     

基于混合优化算法的水声环境参数反演

在水声环境参数反演中,优化算法对反演结果有重要的影响,提出用遗传算法和Levenberg—Marquardt算法组成的混奢优化算法进行浅海环境参数匹配场反演,利用仿真数据对算法的有效性进行了评估,并与遗传算法、模拟退火算法进行了比较,最后采用实验数据验证了方法的有效性.     

遗传模拟退火算法在玻璃和晶体色散方程参量反演中的应用

根据已测K9玻璃和晶体(ZnS,MgF2,Calcite)的实验数据,将遗传模拟退火算法应用于修正的Sellimeier方程的参数反演中,建立了上述材料的色散方程。同时比较了遗传模拟退火算法和遗传算法(包括标准遗传算法和多种群遗传算法)在迭代搜索性能方面的差异。结果表明:遗传模拟退火算法的优化效果最优并且性能最稳定。同时,将通过遗传模拟退火算法所得K9玻璃和晶体在某一光谱区域的色散方程应用于其他光谱区域中,发现色散方程的拟合值与实验值符合较好,这表明通过该方法所得色散方程具有较好的外推性。因此,通过遗传模拟退火算法进行色散方程的参量反演方法可以用于其他材料色散方程的拟合。     

基于自适应权重和模拟退火的鲸鱼优化算法

针对鲸鱼优化算法容易陷入局部极值和收敛速度慢的问题,提出了一种结合自适应权重和模拟退火的鲸鱼优化算法.通过改进的自适应权重策略来调整算法的收敛速度,通过模拟退火增强鲸鱼优化算法的全局寻优能力.仿真实验中计算了18个测试函数,对比了粒子群算法、海豚回声定位算法和标准鲸鱼算法并进行统计分析,同时比较了单独结合自适应权重和模拟退火对鲸鱼优化的影响,结果表明,改进的算法在测试函数的极值计算中,计算精度和收敛速度方面都有了明显提升,验证了改进算法的有效性.     

基于自适应SAGA的测试数据自动生成

结合遗传算法（GA）的并行搜索结构和模拟退火（SA）的概率突跳性，并结合使用自适应的交叉算子和变异算子，提出了一种高效的自适应的SAGA混合优化算法。在自主开发的结构性测试工具WBoxTool中，使用自适应SAGA混合优化策略进行测试数据自动生成，并通过实例对基本遗传算法、自适应遗传算法和自适应SAGA进行了比较，结果表明自适应SAGA具有更强的搜索能力，可以更快的发现全局最优解。     

基于模拟退火遗传算法的图像增强

针对传统图像增强方法存在的不足,提出了一种基于模拟退火遗传算法的图像增强算法。首先将图像增强过程参数编码成为遗传算法中的个体,然后通过模拟自然界生物进化过程对参数进行寻优,并引入模拟退火算法克服种群退化现象,同采用动态自适应交叉、变异过程防止局部最优解出现,最后根据找到的最优参数实现图像增强处理,并且采用仿真对比实验对算法有效性和优越性进行测试。仿真实验结果表明,相对于当前其它图像增强算法,模拟退火遗传算法可以恢复图像细节信息,提高了对比度,图像质量得到增强。     

基于模拟退火的自适应离散型布谷鸟算法求解旅行商问题

提出了一种基于模拟退火的自适应离散型布谷鸟算法求解旅行商问题.该算法在布谷鸟搜索算法原理的基础上,构造了旅行商问题的路径求解策略.由于算法的局限性,随着算法的调整和迭代次数的增加,容易破坏已形成的路径,从而使得算法通用性不强.针对这一局限性,本文提出了一种自适应局部调整算子和全局随机扰动策略.采用简单的2-opt算子作为局部优化算子加快算法收敛速度,引入模拟退火机制防止算法陷入局部最优.采用标准TSPLIB多组数据进行测试,并与有代表性的优化算法进行结果比较.实验结果证明了该算法在精度和稳定性方面的优势.     

光散射模型参量反演中的遗传模拟退火算法

为了研究遗传模拟退火算法在光散射模型参量反演中的迭代搜索性能问题,分别采用遗传模拟退火算法和单一遗传算法迭代搜索了几种介质的双向反射分布函数模型的相关参量.将两种算法的反演结果与在特定激光波长下的双向反射分布函数实验数据进行了对比,通过理论分析和实验验证,取得了两种算法所得到的拟合值,两种拟合值都与实验数据吻合得较好;同时比较了遗传模拟退火算法和单一遗传算法在迭代次数、计算时间和均方误差等之间的差异.结果表明,两种算法在不同介质表面双向反射分布函数模型参量反演时都可以得到满意的结果,且前者优化效果更优.这一结果对研究不同算法的迭代搜索性能是有帮助的.     

求解旅行商问题的蚁群遗传混合算法

根据蚁群算法与遗传算法的特性,提出了求解旅行商问题的混合算法.该混合算法以遗传算法为整个算法的框架,根据旅行商问题的特点,给出了4种变异策略;针对遗传算法存在的过早收敛问题,加入2-Opt方法对问题求解进行了局部优化;利用蚁群算法根据信息素产生若干个路径,替代部分差的解.与模拟退火算法、标准遗传算法和标准蚁群算法进行比较,4种混合算法效果都比较好,策略D的混合算法效果最好.     

基于遗传模拟退火算法的DNA多序列比对研究

针对生物信息学中DNA多序列比对问题,提出了一种基于遗传算法和模拟退火算法相结合的求解算法:在遗传模拟退火算法中,利用模拟退火算法针对遗传算子进行改进来提高算法的效率,由遗传算法进行全局搜索,模拟退火算法用于局部寻优,防止遗传算法的早熟收敛。通过与经典比对算法ClustalX和经典遗传算法进行比对研究,结果表明该算法是有效的。     

改进遗传模拟退火算法求解TSP

遗传算法和模拟退火算法均是解决TSP的有效方法,分析2种算法各自的优缺点,在已有遗传模拟退火算法的基础上进行改进并用于求解TSP.引用部分最近插入法、部分随机产生初始种群,减小了群体多样性与收敛速度的矛盾.在遗传算法中,使用精英保留策略对选择操作进行改进,保证种群的质量;引入进化逆转算子,使子代继承亲代的较多信息,增强搜索能力.经过国际公认的TSPLIB实验数据仿真验证,改进后的遗传模拟退火算法搜索最优能力提高.     

一种基于进化模型的聚类算法

对于模糊聚类算法对初值或者隶属度矩阵敏感,不能保证收敛到全局最优解的问题,文中提出了一种新的进化聚类算法遗传模拟退火聚类算法SAGA-FCM。利用模拟退火算法较强的局部搜索能力和遗传算法较强的全局搜索能力,以避免模糊聚类算法收敛到局部极值或鞍点。实验对不同的人工数据集进行测试,结果分析表明SAGA-FCM算法有比较好的收敛值和收敛速率,具有良好的聚类效果。     

基于LMS算法的TDRSS自适应多波束形成

跟踪与数据中继卫星系统（TDRSS）是转发地球站对低、中轨航天器的跟踪测控信号和中继从航天器发回地面的信息的卫星通信系统,自适应多波束形成是TDRSS中的一个关键技术。讨论了一种基于中频实数加权的LMS算法的自适应多波束形成方法,采用两路正交实信号进行实数加权,大大节约了硬件资源。理论分析及计算机仿真结果都证明了该算法的可行性及优越性。     

基于遗传模拟退火算法的Ad Hoc网络QoS路由优化

利用遗传算法具有较强的全局搜索能力和模拟退火算法具有较强的局部搜索能力的特征,提出了一种融合模拟退火策略的遗传算法来解决Ad Hoc网络中QoS路由问题.首先,利用遗传算法快速搜索到近优解,然后,使用模拟退火算法的搜索策略进行细致寻优.较好地克服两种算法各自的缺点,发挥它们的优势.实验结果表明:与单独使用遗传算法或模拟退火算法相比可获得更好的网络性能.     

一种新的数字调制信号分类特征选择算法

针对调制信号分类特征选择问题,提出了自适应惯性权重模拟退火二进制离散粒子群算法。该算法将模拟退火算法嵌入到离散粒子群算法循环体中,利用模拟退火算法具有较强的局部搜索能力和避免陷入局部最优解的特点,解决了简单智能优化算法早熟收敛和局部搜索能力弱等问题。仿真结果表明,该算法能有效选取最优特征,性能优于简单离散粒子群算法和遗传算法。     

基于SAGA的通信抗干扰决策引擎

为使抗干扰通信系统能够更好地实现参数自适应调整功能,在传统频率、功率自适应的基础上研究频率、功率、信道编码码率、调制方式四种参数的自适应。设计了一种基于模拟退火遗传算法（SAGA,Simulated Annealing Genetic Algorithm）的通信抗干扰决策引擎,并给出了该算法计算流程。在六种不同模式下对算法性能进行了仿真分析,结果表明,该算法能够实现决策引擎参数的自适应选择,并且提高了标准遗传算法的收敛速度,增强了标准遗传算法的爬山能力。     

目标表面BRDF统计建模中的遗传模拟退火算法

结合基本遗传算法与模拟退火算法,构造出了新的具有全局搜索优化特性的遗传模拟退火算法.根据卫星表面BRDF实验数据和统计模型,引用遗传模拟退火算法,获得样片BRDF模型参数的优化估计,从而获得了三维空间的BRDF分布,其优化参数后的模型在另一部分数据上也得到了很好的吻合验证.     

蚁群算法与模拟退火、遗传算法比较分析

文章首先介绍了模拟退火算法和遗传算法的由来及其应用领域,随之引出一种20世纪90年代新型智能算法——蚁群算法,然后以TSP问题为研究对象,阐述三种算法解决TSP问题的实现流程,最后将3种智能算法在两方面进行比较:求解方面和收敛速度方面。实验结果表明:求解方面,蚁群算法所得解最优;收敛速度方面,蚁群算法比模拟退火、遗传算法收敛速度快。     

目标表面BRDF统计建模中的遗传模拟退火算法

结合基本遗传算法与模拟退火算法,构造出了新的具有全局搜索优化特性的遗传模拟退火算法.根据卫星表面BRDF实验数据和统计模型,引用遗传模拟退火算法,获得样片BRDF模型参数的优化估计,从而获得了三维空间的BRDF分布,其优化参数后的模型在另一部分数据上也得到了很好的吻合验证.