遗传-模拟退火算法在建筑中的数据处理应用

大型建筑中存在的支路断电,例如配电室管理者对装表支路进行断电操作,或者网络存在延迟和服务器故障等无法预测造成数据丢失等问题,因此提出一种遗传-模拟退火查询优化算法,该算法使种群进行选择、交叉、变异操作之后,保证群体的多样性,减少用户查询的响应时间,保证数据准确性和完整性,为节能运行与监管提供数据依据。仿真实验验证了该算法的高效性,为提高建筑能耗数据质量提供依据。     

一种遗传模拟退火算法在温室系统上的应用

在通风速率设定条件下,常规的温室环境小气候动态系统可看成一个只由加热设备控制的二阶时滞温室模型。根据这个模型,提出一种基于遗传模拟退火算法的PID参数优化整定方法。该方法继承了遗传算法和模拟退火算法这两者的优点,与采用常规遗传算法的PID参数整定方法相比较,这种方法在克服解早熟、增强局部寻优能力和提高计算效率等方面都有明显的改进。这些在最后都通过仿真结果得到了验证,由此可见,该方法是一种有效的整定方法,具有一定的应用前景。     

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.     

遗传模拟退火算法在云调度中的应用研究

云计算已经成为一种很时尚的趋势,并已成为一种商业模式的体现,在云计算中,计算资源的调度是云计算的一个重要组成部分,调度策略的好坏直接影响整个云计算的性能。本文在研究云计算中调度策略的基础上,尝试把遗传算法和模拟退火算法混合应用到云计算的调度中来,以取得更高的性能。     

基于遗传模拟退火算法的神经网络预报模型

遗传和模拟退火是两种不同的优化算法，对这两种算法进行混合，有利于丰富优化过程中的搜索行为。遗传模拟退火混合策略利用了不同的邻域搜索结构，增强了算法全局和局部意义下的搜索能力和效率。分别用遗传模拟退火算法和标准遗传算法对电弧炉氧化期终点碳含量预报模型进行训练，仿真结果表明遗传模拟退火算法在收敛速度和预报精度上优于标准遗传算法。     

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。     

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.     

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。     

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.     

模拟退火算法在电火花加工中的应用

本文提出了一种加工复杂构型整体涡轮通道的创新思路 ,首先建立了电极成形运动的优化模型 ,接着提出了求解这一类优化问题的模拟退火算法 ,并运用实例验证了所提出的这一创新思想及求解算法的可行性及有效性     

一种改进的遗传模拟退火算法在TSP中的实现

从避免算法进入局部极小值、提高解空间的搜索能力的角度出发,提出应用遗传模拟退火算法解决TSP问题,该算法结合了遗传算法和模拟退火算法的优点,并有效地克服了各自的弱点,使其在提高全局最优的速度方面具有明显的优越性.最后给出仿真试验,并证实了该算法优于遗传算法和模拟退火算法.     

遗传模拟退火算法在旅行商问题中的程序设计方法

本文分析了遗传算法和模拟退火算法的优缺点,提出遗传模拟退火算法的程序设计方法和各项参数的设置,并将该算法应用于TSP问题求解之中,提高了解决问题的能力。     

遗传模拟退火算法解决纸箱生产的损耗问题

纸箱包装行业是一个传统的产业,在纸箱生产中需要拼单来降低修边损耗以减少成本.根据生产上的实际经验提出了问题的数学模型,针对该模型,将遗传算法和模拟退火算法结合,解决了遗传算法的收敛过快以及局部搜索能力不强的问题.在选择操作中直接保存优秀个体,来增强算法的收敛性.在变异和交叉操作中采用自适应的变异和交叉概率,增强了搜索解空间的均匀性,并引入了记忆功能,最终获得问题的近似最优解.     

基于遗传模拟退火的QoS单播路由算法

针对QoS的问题,设计了一种融合遗传算法和模拟退火算法的QoS路由算法,在遗传算法选择算子上借鉴了小生境的思想,避免了遗传初期有效基因的丢失;在遗传算法交叉算子和变异算子方面使用了自适应算子,使之能更好地适应网络的变化。通过与传统遗传算法进行比较,进一步说明了本算法的有效性。     

基于遗传模拟退火算法的立体仓库储位优化

针对自动化立体仓库储位分配问题,结合仓库运作特点和安全性要求,构建了自动化立体仓库储位优化问题的多目标模型,并提出了求解模型的基于Sigmoid曲线的改进自适应遗传模拟退火算法（SAGA）。首先,以降低货品出入库时间、同组货品距离和货架重心为目标建立储位优化模型;然后,为了克服遗传算法（GA）局部搜索能力差和易陷入局部最优的缺点,引入基于Sigmoid曲线的自适应交叉变异操作和逆转操作,同时完成与SAGA的融合;最后,对改进遗传SAGA进行算法优化性、稳定性和收敛性测试。仿真实验表明,相比模拟退火（SA）算法的求解结果,该算法对货品出入库时间的优化度提高了37.7949个百分点、对同组货品距离提高了58.4630个百分点、对货架重心优化度提高了25.9275个百分点,并且该算法具有更好的稳定性和收敛性。由此验证了改进遗传SAGA求解问题的有效性,该算法可为自动化立体仓库储位优化提供决策方法。     

遗传模拟退火算法在EXCEL上的编程实现

针对遗传算法和模拟退火算法的互补特点,提出用遗传模拟退火算法来求解最优化问题。使用Excel的VBA语言来编程实现该算法,将遗传模拟退火算法与Excel的数据处理相结合,方便用户在Excel上建立模型,解决最优化问题。最后给出一个实例,运行结果证实了遗传模拟退火算法在求解最优化问题上优于遗传算法。     

遗传模拟退火算法在MATLAB上的编程实现

遗传算法和模拟退火算法均为启发式搜索算法,结构互补,可将两者结合,使用遗传模拟退火算法来求解最优化问题。使用MATLAB语言来编程实现该算法,将遗传模拟退火算法与MATLAB强大的数据处理相结合,方便用户在MATLAB上建立模型,解决最优化问题。最后给出一个实例,运行结果证实了遗传模拟退火算法在求解最优化问题上优于单一的遗传算法。     

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。     

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。     

基于遗传模拟退火算法的BP算法研究

目前广泛应用于神经网络优化的方法是反向传播(Back Propagation,BP),但是BP神经网络的全局搜索能力很有限.文中探讨了两种全局优化算法:遗传算法(Genetic Algorithm,GA)和模拟退火(Simulated Annealing,SA),以及它们和BP算法结合形成的优化算法,并且比较了它们在神经网络优化中的优缺点.