基于改进的模拟退火算法及其在火炮控制系统中的应用

针对现有火炮控制系统与模拟退火算法优化存在的问题,提出了一种改进的模拟退火算法用于火炮控制系统PID参数寻优的方案,即基于变尺度法的模拟退火算法。该算法采用了全局优化和局部优化相结合的思想,能显著提高算法的执行效率,收敛性较好,而且不易陷入局部最优解。给出了具体实现过程和优化实例,并将该算法应用到火炮控制系统中,仿真实验表明,该算法是一种有效的全局优化算法。     

求解旅行商问题的模拟退火蚁群算法

根据蚁群算法与模拟退火算法的特性,提出了求解旅行商问题的混合算法.由模拟退火算法生成信息素分布,然后由蚁群算法根据累计更新的信息素找出若干组解,再经过模拟退火算法在邻域内找另外一个解的操作,得到更有效的解.与模拟退火算法、标准遗传算法、蚁群算法和随机初始化的蚁群算法进行比较,4种混合算法效果都比较好,策略D的混合算法效果最好.     

基于动态规划和模拟退火算法的排课系统

在分析中小学的排课问题并研究相关算法的基础上,提出了把动态规划算法和模拟退火算法相结合的一种新的排课算法.动态规划算法求出满足约束条件的一个解,作为模拟退火算法的初始解,用模拟退火算法对初始解优化,得到一个优化后的课表.     

改进粒子群和模拟退火混合算法及其应用

基本粒子群优化算法每个粒子代表一个可行解,通过粒子间的协作来获得最优解.考虑粒子间协同作用,引入Gaussian核函数研究基于区域影响的粒子群算法(GPSO).为了充分利用粒子群算法的快速全局收敛性和模拟退火算法能够跳出局部最优陷阱的优点,得到高精度的最优解,将GPSO算法与模拟退火算法相结合,研究了一种新的混合粒子群算法.混合算法在GPSO算法处于停滞状态时,于搜索到最优位置用模拟退火算法继续寻找最优解.数值实验结果表明,新混合算法兼顾了GPSO和模拟退火算法的优点,具有收敛速度快、搜索精度高、鲁棒性好等特点.这说明文中的混合算法不失为一种有效的进化算法.     

一种高效的函数可微的全局优化模拟退火算法

针对函数可微的全局优化问题,将最速下降法,Newton法和罚函数法引入模拟退火算法中,提出了一种高效的模拟退火算法.该算法可以求得可微函数优化问题的全局最优解,且具有计算量小,效率高的特点.利用罚函数将约束优化问题转化为无约束优化问题后,可以利用提出的算法进行求解.数值算例表明,提出的算法能够高效地求解无约束及带约束的函数可微的全局优化问题.     

流不平衡条件下飞机恢复的优化模型与算法研究

为更有效地解决航空公司飞机恢复问题,在经典的资源指派优化模型中放宽飞机流平衡约束,加入合并航班的恢复策略;在贪婪随机自适应算法(GRASP)和模拟退火算法的基础上,提出一种新的启发式算法贪婪随机模拟退火算法,降低了陷入局部最优解的概率,同时通过限定路径对的种类和候选解的数量,提高了算法的时间效率.实例计算结果表明,本文提出的模型和算法能有效处理流不平衡条件下大规模飞机恢复问题,在有效的时间内求得最优解或近似最优解.     

利用模拟退火技术求解多Hoist调度问题

多Hoist调度在许多制造过程的设计与控制中是一个关键问题.当Hoist数与工作台数很大时,求解调度问题非常困难.建立了多Hoist调度问题的数学模型,并利用模拟退火算法提出了一种启发式求解方法.随机模拟的大量算例表明,该启发式方法十分有效,通过少量的计算可得到调度问题的一个满意解.     

基于改进模拟退火混合算法的移动机器人全局路径规划

利用改进模拟退火算法与共轭方向法组成混合全局优化算法,对移动机器人全局路径规划进行求解.该混合全局优化算法先用共轭方向法搜索局部最优解,再用改进模拟退火算法跳出局部最优解,依此更新温度值.如此反复操作,直至找到全局最优解.仿真结果表明该算法具有较好的优化效果,能快速收敛到全局最优解.     

基于混合遗传算法的作业车间调度问题的研究与仿真

作业车间调度问题(JSP)是一类典型的NP-hard问题,遗传算法(GA)由于其隐合并行性和全局解空间搜索两大优点而成为解决JSP问题的常用工具.但是,由于JSP问题本身的特点,普通遗传算法难以在解此类问题时得到满意解,最突出的问题就是过早收敛于某一局部最优解,使算法效率降低.在此基础上,将遗传算法和模拟退火算法相结合,提出了一种基于遗传和模拟退火的混合算法,该算法将模拟退火算法赋予搜索过程时变性融入其中,具有明显的概率跳跃性,并选取了典型问题进行分析和仿真研究.仿真结果表明,与传统的遗传算法相比该方法是行之有效的.     

用于炼油厂原油库存调度的混合模拟退火算法

现有的数学规划法在解决原油库存调度优化问题时存在着组合爆炸的问题,是阻碍调度优化实用化的主要原因。由于实践中往往只要求快速地获得一个较好解,因此作为启发式算法之一的模拟退火法,在解决调度问题的实用化方面具有很大的优越性。但由于模拟退火法较适于处理无约束的整数规划问题,而在原油库存调度优化模型中却存在着大量的实数约束,所以在其中直接应用模拟退火法比较困难。该文将模拟退火法与线性规划法相结合,以前者调动后者,后者为前者提供可行解判据,构成了一种优化混合算法。在将混合算法应用于原油库存调度问题时,该文采用了特定的编码方式,使各控制变量在随机变化时尽量满足相关的约束条件,从而避免了许多无效解的产生。实例计算结果表明,同传统的混合整数线性规划方法相比,这种混合算法可以快速地给出优化解,其优化值与全局最优值差别不大,表明混合算法可以更好地解决实际原油调度问题。     

基于全局和声搜索的模拟退火算法改进

本文针对传统的模拟退火算法存在收敛速度慢的问题,采用全局和声搜索算法对其进行了改进,即在保持模拟退火原有机制的基础上,使用一个函数随机产生模拟退火算法的初始解,采用全局和声搜索算法中产生候选解的方法产生新解。该方法的优点在于保留中间最优解并及时更新,从而既保证了优化质量又提高了算法的搜索效率。最后,采用benchmark测试函数进行仿真,仿真实验结果表明,该方法在收敛速度及优化质量上都优于传统的模拟退火及其它算法,值得进一步研究。     

混合模拟退火及分散搜索优化过道布置问题

针对过道布置问题的求解复杂性,提出了一种混合模拟退火及分散搜索算法。该算法通过引入模拟退火操作进一步优化参考集中的解,以提高获得全局最优解的概率。设计了包含高质量和多样性解的双层参考集,扩大了搜索范围,避免算法陷入局部最优。同时采用动态参考集更新方法,及时替换参考集中质量或多样性较差的解,加快算法的收敛速度,并改进子集产生方法,避免产生重复的解,从而提高算法的求解效率。应用所提算法对24个不同规模的测试问题进行验算与对比,结果表明所提算法的求解质量与平稳性均优于基本模拟退火算法和分散搜索算法,且较已有的4种方法更具求解优势。     

A neuro-simulated annealing approach to the inverse kinematics solution of redundant robotic manipulators

The neural-network-based inverse kinematics solution is one of the recent topics in the robotics because of the fact that many traditional inverse kinematics problem solutions such as geometric, iterative and algebraic are inadequate for redundant robots. However, since the neural networks work with an acceptable error, the error at the end of inverse kinematics learning should be minimized. In this study, simulated annealing (SA) algorithm was used together with the neural-network-based inverse kinematics problem solution robots to minimize the error at the end effector. The solution method is applied to Stanford and Puma 560 six-joint robot models to show the efficiency. The proposed algorithm combines the characteristics of neural network and an optimization technique to obtain the best solution for the critical robotic applications. Three Elman neural networks were trained using separate training sets and different parameters, since one of them can give better results than the others can. The best result is selected within three neural network results by computing the end effector error via direct kinematics equation of the robotic manipulator. The decimal part of the neural network result was improved up to 10 digits using simulated annealing algorithm. The obtained best solution is given to the simulated annealing algorithm to find the best-fitting 10 digits for the decimal part of the solution. The end effector error was reduced significantly.     

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。     

桁架形状优化的一种改进模拟退火算法研究

通过设计一种产生可行解的状态发生器,由该状态发生器产生的新状态均满足所有的约束条件,从而方便地处理约束条件,并提出一种求解桁架形状优化设计问题的改进的模拟退火算法。算例表明该方法能获得较高质量的解,具有现实的工程意义,同时指出改进的SA算法用于桁架形状优化问题得不到全局最优解。     

改进的模拟退火和遗传算法求解TSP问题

对遗传算法和模拟退火算法的特点进行了比较,阐述了遗传算法与模拟退火算法集合的必要性。提出了一个用于求解TSP问题的改进的模拟退火和遗传算法。利用遗传算法的全局搜索能力弥补了模拟退火算法容易陷入局部最优的问题。在遗传算法中改进了传统的交叉机制,利用父代染色体与子代染色体进行交叉,解决了传统遗传算法中存在的“早熟”问题。针对模拟退火算法收敛速度慢等问题,提出了新的解生成机制和改良算法,提高了算法的收敛速度。实验测试的结果表明,该方法具有较好的收敛效果和更高的稳定性。     

LEACH-C协议中模拟退火算法的改进

无线传感器网络的LEACH-C协议在实现过程中,使用了模拟退火算法进行簇头节点集合的选择。虽然该算法选举的簇头能够使整个网络的传输代价最小,但是算法执行的效率比较低。因此,在原来算法的基础上,提出了一种改进的算法。理论上表明该算法在每次迭代后得到的新解必然比原来的解更优;实验结果表明,该方法能够更快地得到一个局部最优解,改进后的算法在整体性能上比原算法有很大提高,尤其是在网络中的节点数不断增加的情况下,从而缩短了选举簇头节点的时间消耗。     

卸货顺序约束的单容器矩形装箱问题

解决了基于模拟退火算法求解带卸货顺序约束的单容器装箱问题。提出的方法采用了改进的序列对表示对解空间进行压缩。研究了满足卸货顺序约束的序列对的新性质,以及基于模块删除与插入的新解产生算法,并将该算法集成于模拟退火中。实验结果证明了该模拟退火算法对卸货顺序约束的单容器矩形装箱问题的有效性。     

基于改进能量函数的混沌神经网络JSP解法

针对传统Hopfield神经网络(HNN)在求NP类问题的解时易陷入局部最优点的不足,提出基于改进能量函数的模拟退火混沌神经网络算法。通过在Hopfield神经网络中引入混沌机制,并结合退火策略控制混沌动态,有效避免了陷入局部极小的缺陷,因此将其用于求解JSP（作业车间调度）。算法改进了表示JSP的换位矩阵,给出了包含目标函数的能量函数,保证了网络的稳态输出为全局可行解。     

Improving simulated annealing with variable neighborhood search to solve the resource-constrained scheduling problem

The purpose of this paper is to improve the simulated annealing method with a variable neighborhood search to solve the resource-constrained scheduling problem. We also compare numerically this method with other neighborhood search (local search) techniques: threshold accepting methods and tabu search. Furthermore, we combine these techniques with multistart diversification strategies and with the variable neighborhood search technique. A thorough numerical study is completed to set the parameters of the different methods and to compare the quality of the solutions that they generate. The numerical results indicate that the simulated annealing method improved with a variable neighborhood search technique is indeed the best solution method. This research was supported by NSERC grant (OGP 0008312) the first author received a FCAR fellowship during her M.Sc. studies.