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PSO和变异模拟退火的QoS单播路由算法

为了研发更高性能的QoS单播路由算法,提出变异退火粒子群优化（MSAPSO）算法。MSAPSO算法中使用一种新的。算子,将粒子群优化（PSO）的迭代公式简化成一个公式。通过设计变异退火算子,将遗传算法的变异操作和模拟退火的Meuopofis概率接受准则融入PSO,以改善粒子群的多样性和算法的收敛性。仿真结果表明MSAPSO在搜索成功率和收敛性上优于纯PSO算法和蚁群算法。     

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。     

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。     

以模拟退火算法为收敛判据的混合微粒群算法

本文提出了一种以模拟退火算法为收敛判据的混合微粒群算法,不仅保留了微粒群算法收敛速度快、易于实现的特点,而且通过模拟退火为群体置换更优的微粒,从而保证算法得到一个高质解.仿真结果表明了该方法的有效性.     

用模拟退火思想的粒子群算法实现图像分割

采用了一种模拟退火思想的粒子群算法与最大类间方差法相结合的快速阈值分割法对图像进行分割。用粒子群优化算法来搜索阈值向量,每个粒子代表一个可行的阈值向量,通过粒子间的协作来获得最优阈值。为了提高收敛速度,把模拟退火的思想应用在粒子群算法中,最后仿真结论表明,该方法在继承标准粒子群算法原理简单、易于实现、协同搜索等优点的同时,还避免了标准粒子群算法的收敛速度慢问题,有更强的寻优能力,得到理想的结果的同时计算量大大减少。权衡分割精度和计算效率两个方面,文中方法不失为一种实用有效的图像分割算法。     

基于微粒群算法与模拟退火算法的协同进化方法

提出了一种基于模拟退火与微粒群算法的协同进化方法,利用了微粒群算法的易实现性、局部快速收敛性以及模拟退火算法的全局收敛性.通过两种算法的协同搜索,可以有效克服微粒群算法的早熟收敛.仿真结果表明,本文的协同进化方法不仅具有较好的全局收敛性能,而且具有较快的收敛速度.文章从理论上证明了该方法以概率1收敛于全局最优解.     

基于混沌变量的模拟退火优化方法

基于混沌变量,提出一种混沌模拟退火优化方法,给出了初始温度的方法。利用混沌变量对当前点进行扰动,随着搜索的深入逐渐减小扰动的幅度。数值计算结果表明,该方法可以显著提高求解全局优化问题的计算效率。     

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。     

基于免疫规划的模拟退火算法

通过对模拟退火算法优缺点的分析,提出了一种新型的模拟退火算法——基于免疫规划的模拟退火算法。该算法借鉴了生物免疫概念与理论,将免疫规划的全局寻优能力与模拟退火算法的局部寻优能力相结合,克服了模拟退火算法运算效率低的缺点。理论分析和仿真结果表明,该算法不仅能够有效地保持种群的多样性,而且收敛速度和稳定性都有了明显提高,收敛到最优值的比例可达到91%。     

基于双阈值的具有记忆功能的自适应模拟退火算法

讨论传统模拟退火算法的原理、求解过程,详细分析它存在的局限性,简单叙述模拟退火算法中关键参数对该算法性能的影响,并给出该算法的可行性改进方案。提出一个改进的模拟退火算法。在该改进算法中,为避免遗失当前最优解,增加记忆功能,将当前最好的状态记忆下来,从而使得模拟退火算法成为一种智能化算法;设计一个自适应温度更新函数,并设置双阈值使得在尽量保持最优性的前提下减少计算量。用改进前后的两个算法来解决一个非线性寻找组合最优问题,实验证明改进后的模拟退火算法是高效的。     

基于退火粒子群优化的单目视频人体姿态分析方法

提出一种基于退火粒子群优化(Simulated annealing particle swarm optimism, SAPSO)的单目视频人体姿态分析方法. 该方法具有以下特点: 首先, 利用运动捕获数据采用主成分分析方法(Principle component analysis, PCA)得到更能反映人体运动本质的姿态紧致空间, 并在此低维空间中进行姿态分析, 提高了姿态分析的准确性和效率; 其次, 将粒子群优化应用到姿态分析中, 并提出退火粒子群优化姿态分析方法, 该方法具有良好的收敛性和全局最优能力; 再次, 基于退火粒子群优化姿态分析方法, 实现了基于单目视频的人体姿态估计和跟踪. 实验结果表明, 本文方法不仅具有良好的计算效率, 同时具有良好的收敛性和全局搜索能力, 能准确分析单目视频中的人体姿态.