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。     

多目标资源优化分配问题的Memetic 算法

针对传统算法求解多目标资源优化分配问题收敛慢、Pareto解不能有效分布在Pareto 前沿面的问题, 提出一种新的Memetic 算法. 在遗传算法的交叉算子中引入模拟退火算法, 加强了遗传算法的局部搜索能力, 加快了收敛速度. 为了使Pareto 最优解均匀分布在Pareto 前沿面, 在染色体编码中引入禁忌表, 增加了种群的多样性, 避免了传统遗传算法后期Pareto 解集过于集中的缺点. 通过与已有的遗传算法、蚁群算法、粒子群算法进行比较, 仿真实验表明了所提出算法的有效性, 并分析了禁忌表长度和模拟退火参数对算法收敛性的影响.

     

一种用于BP网络优化的并行模拟退火遗传算法

针对模拟退火算法和遗传算法存在的不足,提出了并行模拟退火遗传算法,并用于3层BP神经网络优化。在适应度函数中引入模拟退火机制,采用排序、最优保存策略选择算子、启发式交叉和多点非均匀变异改进遗传算子,利用模拟退火算法产生新解增加搜索方向,并结合并行进化思想对经典遗传算法进行改进。通过对英文字母识别的仿真实验,表明该方法全局搜索能力、局部搜索能力和收敛速度都优于经典遗传算法。     

基于距离测度的改进自适应遗传退火算法

交叉操作和变异操作是遗传算法的两种基本操作,遗传算法的收敛速度在很大程度上与交叉概率和变异概率的选取以及交叉个体的配对策略有关.本文提出一种基于距离测度的改进自适应遗传退火算法,根据个体的距离密集度自适应地确定其交叉概率和变异概率.算法采用非等概率交叉配对策略,根据两个个体之间的距离自适应地确定交叉配对概率.此外,算法引入模拟退火机制,在遗传进化过程中的每一代,对最优个体进行邻域局部寻优,利用模拟退火进一步改善算法的收敛性能.对带边界约束函数优化问题进行了仿真计算,结果表明了该算法的有效性.     

基于遗传-模拟退火的蚁群算法求解TSP问题

传统的蚁群算法具有收敛性好、鲁棒性强等优点,但在解决旅行商(TSP)问题方面存在收敛时间长,容易出现停滞等问题;为了提高传统蚁群算法的解的质量,本文提出了基于遗传-模拟退火的蚁群算法(G-SAACO),将遗传算法和模拟退火算法引入蚁群算法中;其方法是在传统蚁群算法中引入遗传算法的变异与交叉策略来得到候选解,增加解的多样性;同时引进模拟退火算法机制,使得在高温时以较高概率选择候选集中比较差的解加入最新集,温度控制上加入了回火机制,进一步提高解的质量;为了检验改进的蚁群算法,随机选用了TSPLIB中的部分城市进行仿真,结果与传统蚁群算法、模拟退火蚁群算法、遗传蚁群算法相比,算法具有较强的发现较好解的能力,同时增强了平均值的稳定性。     

改进的模拟退火遗传算法在函数优化中的应用

针对模拟退火遗传算法中可能出现的早熟收敛和后期进化较慢问题,提出了多规则选择算子,同时对交叉和变异算子进行了改进,引入了小生境技术解决早熟收敛问题。在此基础上针对函数优化问题设计了改进的模拟退火遗传算法。仿真实验表明,改进的算法在函数优化中,特别是在对多变量函数寻优中,收敛速度和收敛精度都有一定提高。     

多车型开放式车辆路线问题的混合启发式算法

多车型开放式车辆路线问题,是物流配送优化中不可缺少的环节。针对标准遗传算法存在收敛速度慢,局部搜索能力差,易早熟的缺点,采用混合启发式算法进行优化求解。采用实数序列编码,使问题变得更简洁;有针对性地构建初始解,提高了解的可行性;用基于排序的选择与最佳保留相结合策略,保证群体的多样性;引入部分算术交叉算子,加强染色体的全局搜索能力;利用模拟退火算法的Boltzmann机制,控制遗传算法的交叉、变异操作,提高了算法的收敛速度和搜索效率。仿真结果表明混合启发式算法在求解质量和计算效率上好于标准遗传算法。     

基于改进遗传算法的电气设备仓库货位优化

货位分配问题是自动化立体仓库优化的关键。针对传统遗传算法难以收敛至全局最优解的问题,提出了一种改进遗传算法的电气设备仓库货位优化方法。该方法根据优化目标构建了数学模型,使用拉丁超立方抽样法对算法初始化环节进行优化;为了克服遗传算法的局部搜索能力差和收敛速度慢问题,使用改进自适应交叉变异及逆转操作和模拟退火操作构成改进模拟退火遗传算法。实验结果表明,相比于传统遗传算法的求解结果,改进算法显著提高了对目标函数的优化,并且其收敛性和稳定性更佳,该算法在实际工程应用中提出了有效的解决方案。     

基于改进的遗传模拟退火混合算法求解TSP问题

本文针对遗传算法（GA）早熟收敛问题就GA的交叉算予进行改进,针对模拟退火算法易陷入局部最小值的缺点．使用HFC—ADM（自适应输入阂值的分等级搜索）的SA（模拟退火算法）和改进后的GA相结合,提出了一种求解TSP问题的遗传模拟退火混合算法,并应用于求解TSP（旅行商问题）问题。实验结果表明,该算法具有比传统的GA以及基于HFC—ADM的SA具有更强的全局搜索能力和更快的收敛速度。     

改进遗传模拟退火算法在TSP优化中的应用

针对旅行商问题(TSP)优化中,遗传算法(GA)容易陷入局部最优、模拟退火算法(SA)收敛速度慢的问题,提出一种基于改进遗传模拟退火算法(IGSAA)的TSP优化算法.首先根据优化目标建立数学模型;然后对遗传算法部分中的适应度函数、交叉变异算子进行改进,使算法能够更加有效地避免陷入局部最优;最后根据旧种群和新种群每个对应个体的进化程度提出一种改进自适应的Metropolis准则,使模拟退火算法部分的染色体跳变更具有自适应性,利于算法寻优.对不同TSP实例的实验结果表明,与其他路径优化算法优化结果相比,所提出的IGSAA算法能够对不同TSP实例优化得到更优的旅行路径.     

一种新的模糊自适应模拟退火遗传算法

针对遗传算法收敛速度慢、容易"早熟"等缺点,结合模糊推理、模拟退火算法和自适应机制,提出一种改进的遗传算法--模糊自适应模拟退火遗传算法(FASAGA),并分析了该算法的性能和特点,实验研究表明,该算法比标准的遗传算法(SGA)具有更快的收敛速度和寻优效果.     

Scheduling algorithm for real-time tasks using multiobjective hybrid genetic algorithm in heterogeneous multiprocessors system

The scheduling problem for real-time tasks on multiprocessor is one of the NP-hard problems. This paper proposes a new scheduling algorithm for real-time tasks using multiobjective hybrid genetic algorithm (mohGA) on heterogeneous multiprocessor environment. In solution algorithms, the genetic algorithm (GA) and the simulated annealing (SA) are cooperatively used. In this method, the convergence of GA is improved by introducing the probability of SA as the criterion for acceptance of new trial solution.     

一种融合改进模拟退火技术的新型遗传算法

通过对传统遗传算法和模拟退火算法各自优缺点的分析,提出了一种新型遗传算法。算法以最优保留策略的遗传算法作为主体流程,在主体流程过程中融入改进的模拟退火技术,即设置双阈值和保留中间最优解来减少计算量,加快算法的收敛速度,从而为求得全局最优解提供了保障。通过对F6函数仿真试验,新型遗传算法的收敛速度和跳出局部最优的能力有很大提高。     

运用模拟退火遗传算法估计地下水反演参数

在估计地下水数值模型参数时,常运用智能优化算法求解数学模型的近似解,以再现现实地下水流的运动。在传统的模拟退火算法基础上,结合遗传算法,提出了一种改进模拟退火遗传算法,它吸收了遗传算法的全局搜索性能和保护最优个体的策略,解决了遗传算法早熟的问题,加强了模拟退火的局部搜索能力。以非均质各向异性承压二维流为例,运用该算法对地下水流数值模型参数进行了反演计算。计算结果表明,该算法克服了传统全局搜索算法收敛速度慢、迭代次数多的缺点,具有计算精度高,可以并行计算等优点。     

一种采用循环策略的改进模拟退火遗传算法

循环规律是生态学中一个重要的规律,而模拟退火遗传算法是一种能够有效改进遗传算法性能的方法。将循环策略与模拟退火遗传算法有机地结合起来,提出了一种采用循环策略的改进模拟退火遗传算法,并通过模式演化分析和收敛性分析证明算法的合理性。该算法不仅能够保证遗传算法的全局收敛性,而且还可以加快种群的进化速度并获得满意的全局最优解。     

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。     

不确定车辆数的有时间窗车辆选径问题的混合算法

针对标准遗传算法在求解车辆选径问题中出现的早熟、收敛、易陷入局部极值点的问题，提出了一种由遗传算法结合模拟退火算法的混合算法求解车辆选径问题，并与遗传算法进行了比较。该算法利用了模拟退火算法具有的较强的局部搜索能力的特性，有效地克服了传统遗传算法的“早熟收敛”问题。实验结果表明，该算法具有计算效率高、收敛速度快和求解质量优的特点，是解决车辆选径问题的有效方法。     

基于改进模拟退火算法的软硬件划分

软硬件划分是嵌入式系统协同设计中的关键问题,已经被证明是一个NP问题。模拟退火算法是解决该问题常用的启发式算法,但是其存在收敛速度过慢的问题。通过改进算法的扰动模型和退火进度,提出一种新的代价函数计算方法来提高它的收敛速度。实验结果表明,相对于基于经典的模拟退火算法和已有改进的算法,新算法运行时间大大减少,并且增大了找到近似最优解的概率。     

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。     

改进的小生境混合遗传算法在函数优化上的应用

为了提高经典小生境遗传算法的收敛性能,加强局部寻优能力,设计了一种新的小生境混合遗传算法.通过判断算法的在线性能指标Xe(s),将模拟退火算法巧妙地融入算法的后期,并针对小生境遗传算法的特点选用格雷码编码,同时设计了自适应的遗传交叉算子.用一个Shubert多峰值函数对改进的算法进行验证,结果表明:新算法的收敛性能和进化效率得到提高,局部寻优能力也有加强.