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。     

混沌遗传模拟退火组合算法性能研究

提出了一种混沌遗传模拟退火组合算法.为了提高算法的收敛速度,对遗传算法的适应度进行了拉伸操作,并且对模拟退火算法进行了改进,使其搜索范围随退火温度的降低而缩小.最后通过对4个典型函数的模拟,对算法的性能进行了研究.实验结果表明,该算法能明显改善传统遗传算法的性能,具有较强的全局搜索能力和较快的收敛速度.     

基于改进遗传模拟退火算法的WSN路径优化算法*

为了更好地解决无线传感器网络（WSN）数据传输的路径优化问题,降低数据传输的能量消耗,提出了一种基于改进遗传模拟退火算法（SAGA）的WSN路径优化算法。首先根据优化目标建立数学模型,然后设计了种群的编码方式,并对遗传算法中的适应度函数、交叉算子、变异算子进行改进,使算法能够更加有效地避免陷入局部搜索;接着根据旧种群和新种群每个对应个体的不同进化程度提出了一种新的Metropolis准则,使模拟退火算法的跳变更具有规律性。实验结果显示：与其它路径优化算法相比,该算法不仅能生成更节能的数据传输路径,而且优化时间也大大降低。所以该算法是一种高效的路径优化算法。     

基于遗传模拟退火算法的矩形件优化排样

为了探索更高效的矩形件优化排样方法,提出了一种改进的自适应遗传模拟退火算法。设计了基于矩形件的排样次序及旋转变量的两层染色体编码方法,并采用基于临界多边形的BL定位策略实现矩形件的布局;通过构造启发式算法生成排样初始种群,然后各个种群之间通过相互竞争实现优秀个体的迁移与共享,最终搜索到最优解。标准测试问题的实验结果验证了所提算法的可行性与有效性。     

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水波优化算法

水波优化算法(Water Wave Optimization,WWO)是一种基于浅水波理论的新兴智能优化算法。在简化水波优化算法(Simplified Water Wave Optimization,SimWWO)的基础上,提出水波优化算法的一个改进版本。针对WWO算法在寻优过程中未能有效利用水波历史状态和经验的问题,提出一种自适应的参数调整策略:根据水波进化过程中的性能改善指标自适应调整算法的波长系数,提高搜索效率;同时,针对算法后期容易陷入局部最优的情况,加入模拟退火的思想,以一定的概率接受劣质解,避免算法陷入局部最优。通过以上两个操作可以更好地平衡全局搜索和局部搜索。在CEC 2015函数测试集上进行比较,结果证明改进后的算法有效地提高了综合性能。     

基于遗传模拟退火算法的布局优化研究

为提高矩形件排样算法的利用率与时间效率,提出将遗传算法和模拟退火算法融 合优化的矩形排样算法。采用带符号的十进制编码,依据矩形件长宽比和面积而生成基因序列用 于建立初始种群,以随机产生若干排样顺序与排样尺寸不一的个体,并以利用率为适应度函数, 修改后的最低水平线搜索算法作为排样策略,保证较优个体得以保留,减少闲置区域的产生。 采用10 组随机产生的矩形数据将本算法与现有文献提出的GA 算法进行对比实验,实验结果显 示：该算法有效地提升了排样结果的利用率与时间效率。     

新型遗传模拟退火算法求解物流配送路径问题

文中提出了将遗传算法和模拟退火算法结合,并加入了记忆装置.根据这种想法设计了一种有记忆功能的遗传模拟退火算法,并进行了试验计算.结果表明用这种有记忆功能的遗传模拟退火算法求解物流配送路径优化问题,可以在一定程度上解决一些问题,从而得到较高质量的解.     

基于改进蚁群算法的自动化立体仓库路径优化研究

目前,自动化立体仓库广泛应用于物流行业。为了提高仓库中货物的存取效率,可采用蚁群算法解决堆垛机路径优化问题。针对传统蚁群算法中易得到局部最优解的缺陷,笔者采用改进的蚁群算法,引入信息素调整因子,改变路径中各节点上的信息素浓度,减少局部最优现象。仿真实验结果表明,改进的蚁群算法能较好解决路径优化问题。     

基于曲线自适应和模拟退火的蝗虫优化算法

针对蝗虫优化算法容易陷入局部极值点、收敛速度慢、精度较差等缺点,提出曲线自适应和模拟退火蝗虫优化算法。首先,引入曲线自适应代替蝗虫优化算法关键参数的线性自适应,提高了算法的全局搜索能力;其次,在此基础上引入模拟退火算法,对蝗虫算法的劣势解具有一定概率的接收,使算法具有跳出局部最优,实现全局最优的能力。自适应缩小模拟退火中蝗虫位置随机解的范围,有利于进一步提高蝗虫算法的开发能力。通过测试函数测试,实验结果表明,改进的新算法具有更好的求解质量和收敛速度。     

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。     

求解24数码问题的改进遗传退火算法

针对具有巨大搜索解空间的24数码问题,提出了一种基于改进遗传模拟退火算法的求解方法。依据问题特征,设计了个体编码方法、高效的适应度评价函数和遗传操作算子,通过在遗传算法中引入模拟退火的Boltzmann更新机制,克服了传统遗传算法易于过早收敛和易于“卡住”陷入局部极小的问题。仿真实验结果表明,提出的算法能够快速搜索到问题的解,算法对其他组合优化问题也具有应用价值。     

基于遗传模拟退火算法的无线传感器网路由协议

在无线传感器网络中(WSNs)中,由于节点能量有限,为了延长整个网络的生存周期,提出一种基于遗传模拟退火算法的无线传感器网络路由协议.利用模拟退火(SA)算法具有较强的局部搜索能力并能以稳定的速度收敛,克服遗传算法(GA)局部搜索能力差并容易早熟收敛等缺点.该路由协议在簇头节点选举时充分考虑了节点的剩余能量,并根据网络中数据转发能量耗损和延迟时间建立个体适应度函数,采用遗传模拟退火算法找到簇头节点到基站的最优路径.仿真结果表明:与其他协议比较,该方法不仅可以均衡各个节点的剩余能量,还可以有效延长整个网络生存周期和提高网络的数据传输能力.     

异步模拟退火的遗传算法研究

为克服遗传算法(GA)局部搜索能力差和混合遗传算法计算效率低的不足,提出一个异步混合遗传算法框架。该框架主要由遗传算法、小生境操作和模拟退火三部分组成,模拟退火相对遗传算法和小生境操作采用异步执行方式。并行计算环境由两台计算机通过交换机连接构成,一台计算机计算遗传算法和小生境操作,另外一台计算机计算模拟退火,两台计算机之间通过并行虚拟机进行数据交换。以旅行商问题(TSP)作为算例,实验结果验证了新算法的有效性和高效性。     

基于粒子群与模拟退火算法的板材优化下料

提出一种用于处理板材下料问题的粒子群与模拟退火混合算法。同时,在把下料模式转化为实际设计时,提出了一种类似于Bottom Left（BL）算法的转换方法。模拟实验结果表明这种混合方法的性能明显优于粒子群算法。     

基于高斯分布和模拟退火算法的免疫微粒群优化算法研究

针对微粒群算法在搜索过程中粒子容易失去多样性而陷入局部最优且搜索速度较慢的缺陷,提出了一种基于高斯分布和模拟退火算法的免疫微粒群算法,该算法借助高斯分布和模拟退火的有关机理,分别进行免疫接种和免疫选择的操作。使用常用的基准函数对算法进行了仿真验证工作,通过与全局微粒群优化算法、变惯性权值微粒群优化算法的对比表明,免疫微粒群优化算法(IPSO)在搜索速度和全局寻优方面具有一定的优势。     

遗传算法与模拟退火算法在最小权三角剖分中的比较

针对平面点集的最小权三角剖分问题,在实测的基础上．首先得出遗传算法和模拟退火算法的优良参数,然后在优良参数的条件下进行运行效率上的比较．所得结论为在点集规模较大时,模拟退火算法明显优于遗传算法。所得结论对于采用这两种算法解决其他问题也具有借鉴意义。     

多功能车辆总线周期扫描表优化设计

针对参与通信的各周期信息特点设计优化的多功能车辆总线周期扫描表对提高列车通信网络的实时性能具有重要作用;标准推荐的周期轮询算法存在周期信息分布不均匀,带宽利用率相差较大的问题,在对周期扫描表的优化设计方法进行深入研究后,提出基于模拟退火算法的优化方案。建立了周期信息通信模型,详细阐述了通信抖动的概念并对其进行了定义。给出了优化目标函数并采用模拟退火算法进行求解,对算法的几个关键步骤进行了设计,并采用改进策略提高了模拟退火算法效率。通过实例仿真证明该算法实现了周期信息在整个宏周期范围内的均匀分布,优化了周期扫描表的构造。     

具有捕食策略的混合随机优化算法及其多极值函数优化

SAGACIA是一种混合随机优化算法,该算法虽已吸收了模拟退火算法、遗传算法和趋化性算法的优点,但搜索过程中仍存在收敛速度慢以及采用固定步长影响搜索精度的缺点,而捕食搜索策略通过限制的调节能较快锁定最优区域,从而提高收敛速度。结合两者的优缺点,提出一种具有捕食搜索策略的自适应调整步长SAGACIA算法,改进后的算法通过捕食搜索策略平衡了算法的局域搜索和全局搜索,提高了收敛速度;邻域搜索采用自适应步长,避免了最优解附近的震荡,提高了搜索精度。实验仿真结果表明,改进后的SAGACIA算法具有较快的收敛速度和较高的寻优精度,证明了算法改进的有效性和可行性。     

基于遗传模拟退火算法的模糊聚类方法

首先对模糊C-均值聚类算法做了简要分析和评论,根据其特点,提出了一种基于遗传模拟退火算法的聚类分析方法,从而提高了遗传算法的全局搜索能力。算法中采用了适合于模糊聚类的树型编码方案,实验表明,该算法可克服系统对数据集及初始聚类中心的敏感性,避免陷入局部极小,具有良好的准确性与可靠性,在模式识别、数据挖掘等领域有着广泛的应用前景。