供电网络优化设计的模拟退火算法

对供电网络优化设计提出了一种新算法，把供电网络优化设计问题抽象成图论问题，应用图论量优化方法解决该问题，同时提出了多边形变换方法，用模拟退火算法对供电网络进行优化设计，最终得到一个费用了小电网。     

模拟退火遗传算法在网络负载均衡中应用研究

研究网络负载均衡问题,由于现代网络负载具有高突发性、高实时等特点,针对网络资源利用率和流量控制问题,单纯的采用模拟退火或遗传算法无法适合其变化规律,导致网络资源利用率低,网络拥塞现象严重.为了提高网络资源利用率,使网络负载均衡更加合理,提出一种与模拟退火和遗传算法相融合的网络负载均衡方法.首先利用遗传算法对网络负载均衡问题进行全局搜索,使问题的解迅速处于全局最优区域附近,然后采用模拟退火算法在全局最优区域附近进行进一步局部寻优,找到网络负载均衡最优解.仿真结果表明,改善了全局搜索速度,提高了网络资源利用率,明显改善网络负载不均衡的状况.     

改进型模拟退火算法在设备布局设计中的应用

由于设备布局问题是NP完全问题，它在有限合理的时间内难以求得最优解，因此问题的求解只能依赖于各种启发式方法。文章针对传统的模拟退火算法经常出现迂回搜索，导致搜索效率低，解的质量差这一现象，通过在传统模拟退火算法搜索过程中增加记忆功能，来避免迂回搜索，将改进的模拟退火算法应用于设备布局的研究中，通过实例证明改进的模拟退火算法解的质量有了很大提高。     

改进模拟退火算法在模块划分中的研究及应用

模块划分是产品模块化设计的关键技术之一。目前大多采用非数值方法划分模块，数值划分方法主要是使用模拟退火算法或遗传算法。模拟退火算法虽可以一次性得到模块划分最优方案，但是操作困难，效率不高。而遗传算法容易陷入局部最优解。该文在模拟退火算法的基础上，融入遗传算法的种群思想，提出了基于改进模拟退火算法的模块划分方法，研究了其实现的关键技术，并通过VC++6.0将其实现。通过具体的模块划分实例，证实了该方法的高效性和易操作性。     

改进模拟退火算法在数据挖掘中的应用

数据挖掘的目标是处理大量的数据,从中提取知识.对模拟退火算法进行改进并应用于数据挖掘中.实验证明,在对数据进行聚类分析时算法体现其有效性,可以获得较好的聚类结果.     

遗传模拟退火算法在弹药装载中的应用研究

多约束条件下的弹药装载问题是一个复杂的组合优化问题,属于NP-完全问题,其求解是很困难的。本文在考虑弹药装载中各类约束条件的情况下,将模拟退火算法作了若干改进后,融入遗传算法,提出了一种遗传模拟退火算法来求解弹药装载问题。本文对该算法的遗传算子和冷却进度表进行了详细的阐述,给出了使用该算法求解弹药装载问题的具体实现方法。     

模拟退火算法在自动阻抗匹配器中的应用研究

介绍了基于搜索最优解的阻抗匹配调节原理,设计了以ARM7为核心的自动阻抗匹配系统.针对自动阻抗匹配器中使用的梯度下降搜索存在收敛速度慢和易陷入局部最优值的问题,提出将模拟退火算法应用于该系统,并给出了分析和设计过程.实验结果表明该算法收敛速度快,性能良好.     

模拟退火算法在Web服务合成中的应用

Web服务使用基于标准的协议，为在线B2B合作提供了前所未有的机会。特别地，把现有的Web服务合成以提供增值的服务就成为研究的热点。面对众多可以提供相同或相似功能的Web服务，根据每个服务提供的非功能属性即服务质量（QoS）进行服务选择就变得至关重要。针对这个问题，提出把具有相同或相似功能的服务组成服务类，设计Qos全局最优的问题模型，并用模拟退火算法求解。     

基于遗传模拟退火算法的无线传感器网络定位算法

无线传感器网络定位问题本质上是一个基于不同的距离或路径测量方法的优化问题.第一次提出了基于遗传模拟退火算法的无线传感器网络定位算法GASA-Hop,它是将遗传模拟退火算法作为DV-Hop的后期优化.其中,DV-Hop用来估计未知节点与锚节点的测量距离,GASA用来最小化与DV-Hop相关的适应度函数.仿真结果表明,本算法定位精度高、条件简单,比较适合无线传感器网络的节点定位.     

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。     

一种模拟退火遗传算法的传感器网络数据融合技术研究

研究无线传感器网络(WSN)数据融合技术。传感器节点计算能力、通信能力有限,WSN采用交叉重叠方式部署,导致冗余数据量大,需采用数据融合技术消除冗余和无效数据,节约网络通信能耗。结合遗传算法全局搜索和模拟退火算法局部搜索的优点,提出一种模拟退火遗传算法的WSN数据融合方法(SA-GA)。采用模拟退火遗传算法快速找到移动代理路由最优传感器节点序列,并实现数据融合。仿真实验结果表明,与遗传算法、模拟退火算法相比,SA-GA更能快速找到全局最优数据融合节点序列,并对数据进行有效融合,具有更小的网络能耗和网络延时。     

模拟退火遗传算法在DOA估计技术中的应用

将模拟退火思想融入到遗传算法中,形成了另一种优化算法,即模拟退火遗传算法,将其应用于加权子空间（WSF）算法的目标方位（DOA）估计技术中,以求降低WSF算法的运算复杂度,提高DOA估计精度,同时又解决了基本遗传算法在DOA估计中易陷入局部最优、后期搜索迟钝等问题。计算机仿真结果表明：采用模拟退火遗传算法的DOA估计技术在低信噪比条件下比采用基本遗传算法、高斯-牛顿算法有更高的分辨概率,更小的均方误差。     

一种基于模拟退火算法的无线传感器网络最优簇类求解方案

通过对现有分簇算法的深入研究,从典型的组合优化问题着手,利用模拟退火算法的思想,提出了一种基于模拟退火算法的无线传感器网络最优簇类求解方案,首先将簇头节点集合抽象为参考模型,通过一定的扰动因子不断迭代更新最终得到目标簇头集,然后将模拟退火算法的整个思想充分结合到最佳簇数的选择过程中,详细介绍了整个过程的实现,并通过数学...     

求解TSP问题的改进模拟退火算法

通过分析传统模拟退火算法的原理和存在的不足,提出了一个用于求解TSP问题的改进模拟退火算法。新算法增加了记忆当前最好状态的功能以避免遗失当前最优解,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。根据TSP和SA的特征设计了个体邻域搜索方法和高效的计算能量增量方法,加快了算法的运行速度。实验测试的结果表明,新算法比传统的模拟退火算法具有更快的收敛速度和更优的解质量。     

利用遗传模拟退火算法优化神经网络结构

常用的神经网络是通过固定的网络结构得到最优权值,使网络的实用性受到影响。引入了一种基于方向的交叉算子和变异算子,同时把模拟退火算法引入了遗传算法,结合遗传算法和模拟退火算法的优点,提出了一种优化神经网络结构的遗传——模拟退火混合算法,实现了网络结构和权值的同时优化。仿真实验表明,与遗传算法和模拟退火算法相比,该算法优化的神经网络收敛速度较快、预测精度较高,提高了网络的处理能力。     

基于模拟退火算法的多阈值图像分割*

针对多阈值图像分割时Otsu算法计算量过大的问题,提出基于模拟退火算法的阈值选取方法。首先依据最大类间方差准则,通过对直方图分析处理得到初始阈值向量,然后将该阈值向量作为初始解,利用改进的模拟退火算法逼近最优阈值向量。较之Otsu算法,该算法的计算量大幅减小,如实验中对图像的三阈值分割,运行效率提高了400多倍。结果表明,该算法能够快速、准确地实现多阈值图像分割。     

基于退火的蚁群算法在连续空间优化中的应用

研究了蚁群算法在连续空间的函数寻优问题。通过修改蚂蚁信息素的留存方式和行走规则,定义了一个连续空间的蚁群算法。模拟蚂蚁用触角交流信息的过程提出了直接通信的学习机制,增强了蚂蚁的搜索能力。为了防止出现“早熟”现象,在局部搜索过程中嵌入了模拟退火的思想。同时为避免过大的残留信息,选择了新的信息增量计算函数。实例运算证明了算法的有效性。     

Flow-shop调度问题的自适应模拟退火算法

为求得一个强NP-难问题——flow-shop调度问题的最优解或近优解, 提出一种自适应模拟退火算法. 本算法采用一种基于区段特性的特殊邻域结构、简便的目标函数计算方法和自适应退火策略. 通过Flow-shop调度问题的基准测试问题的实验, 数值结果证实了该方法的有效性.     

遗传模拟退火算法在服装排料中的研究

提出了一种基于遗传模拟退火算法的启发式排样算法,并将这种算法应用于服装排样领域以减少原料的浪费。该算法通过基于遗传模拟退火算法的全局优化概率搜索,寻找排样件在排样时的最优次序及各自的旋转角度,然后采用基于左下角(BL)策略的启发式排样算法实现自动排样。