一种改进模拟退火算法求解目标优化

标准的模拟退火算法是随机神经网络解决能量局部极小问题的一个有效方法,该算法能够使网络摆脱能量局部极小的束缚,最终达到期望的能量全局最小状态,但是在求解具有NPC问题时需要花费较长时间;提出了基于传统的模拟退火算法一个改进算法,并用于求解经典的TSP问题。由仿真试验结果分析得到,该方法在收敛速度上优于传统的模拟退火算法。     

图像增强技术中的智能算法

提出了一种基于粒子群与模拟退火算法相结合的进化算法.该算法利用模拟退火算法全局收敛性好和粒子群算法收敛速度快等优点，通过交换这两种算法的信息得到最优解.将这种新算法应用于灰度图像的自适应增强，实例计算表明该算法稳定性好，在收敛速度和求解精度方面都优于遗传算法等一些其它进化算法.     

基于遗传算法的进化神经网络

提出了一种基于遗传算法的前馈神经网络的自动化设计方法 (genetic m ultilayer neural network,GMNN ) ,用以同时完成对网络结构空间和权值空间的搜索。该算法利用模拟退火算法、 BP算法和小生境技术来加快算法的收敛速度 ,改善解的性能。初步实验结果表明 ,该方法的收敛速度较快 ,由此得到的神经网络的泛化能力也较好 ,能够达到根据训练样本自动优化设计多层前馈式神经网络的目的。     

嵌入模拟退火机制的免疫逃避的粒子群算法

在寻优过程中,为了能够更快速的找到最优解,提出了一种基于免疫逃避粒子群算法与模拟退火粒子群算法相结合的改进算法.模拟退火粒子群算法能够使算法跳出局部极值,免疫逃避粒子群算法能够让初始化粒子更加快速的搜索,二者的结合让两个算法的优越性更加突出,搜索速度更快,收敛和搜索精度都更加优化.     

一种改进的遗传算法

传统的遗传算法有两个严重的缺点,即不能有效地克服过早收敛现象,以及在进化后期搜索效率较低。模拟退火算法是基于金属退火的机理而建立起来的一种全局最优化方法,它能够以随机搜索技术从概率的意义上找到目标函数的全局最小点。本文将遗传算法与模拟退火算法相结合,提出模拟退火遗传算法,实验结果表明,该算法在性能上有较大的提高。     

改进遗传模拟退火算法在多峰值函数优化中的应用

采用均匀变异算子及自适应最优保存的方法对遗传模拟退火算法进行了改进,并用MATLAB实现了改进算法中各算子的编程方法．实例证明该算法能够在多峰值函数优化中较快的收敛至最优解．     

一种新的基于小生境模拟退火的遗传算法

针对模拟退火遗传算法中不合理替代方式以及孤立的比较机制,提出一种新的基于小生境模拟退火的遗传算法.通过温度的逐步降温,可以在进化早期增强种群多样性,而在进化末期加速算法的收敛过程,有效克服了遗传算法容易早熟、局部搜索能力差的缺点.同时算法还使用了最优保留策略替代了轮盘赌选择算子,从而有效地减少了适应度相对高的个体在种群中快速扩散的可能性.研究结果表明:与常见的模拟退火遗传算法相比,新方法能够有效提高遗传算法的收敛性能.     

模拟退火混合遗传算法及其实现

传统的基本遗传算法在全局搜索和收敛速度上存在不足,通过把基本遗传算法和模拟退火算法相结合,提出的模拟退火混合遗传算法能够大大提高收敛速度,并采用一个多峰值函数验证了模拟退火混合算法的性能．     

一种改进的遗传算法

传统的遗传算法有两个严重的缺点，即不能有效地克服过早收敛现象，以及在进化后期搜索效率较低。模拟退火算法是基于金属退火的机理而建立起来的一种全局最优化方法，它能够以随机搜索技术从概率的意义上找到目标函数的全局最小点。本文将遗传算法与模拟退火算法相结合，提出模拟退火遗传算法。实验结果表明，该算法在性能上有较大的提高。     

基于MATLAB的模拟退火算法的实现

阐述了模拟退火算法的基本原理及实现过程,运用MATLAB语言实现了该算法.并将其运用到解决旅行商问题的优化之中.数值仿真的结果表明了该方法能够对函数进行全局寻优,有效克服了基于导数的优化算法容易陷入局部最优的问题.该方法既可以增加对MATLAB语言的了解又可以加深对模拟退火过程的认识,并达到以此来设计智能系统的目的.     

一种改进的BSOM灰度图像轮廓提取算法

介绍一种批处理无监督的自组织映射算法(BSOM),然后对该算法的学习速率进行了改进,提出了基于模拟退火的BSOM灰度图像轮廓提取算法.仿真实验结果表明算法的有效性.同时,测试数据对比表明,在提取图像轮廓时,方法比文献[6]的BSOM方法收敛速度更快,提取的图像轮廓效果更好.     

基于模拟退火遗传算法的多序列比对方法

针对MSA问题提出了将遗传算法与模拟退火算法结合在一起的混合算法.该算法充分发挥了遗传算法和模拟退火算法的优越性,可提高求解多序列比对MSA问题的计算精度和计算速度,整个算法模拟了自然界进化的周期性,较好的解决了群体的多样性和收敛深度的矛盾.实验表明,该方法算法是有效的.     

非常快速模拟退火算法在相关声纳测速中的应用

尽管传统的模拟退火算法是一种全局寻优算法，但是存在收敛速度较慢的缺陷。本文提出了采用非常快速模拟退火算法实现相关声纳测速的方法，该算法采用依赖于温度的似Cauchy分布产生新的扰动模型，通过改变模型扰动、接收概率和降温方式来加快模拟退火算法的收敛速度，仿真结果证明了该算法的有效性。     

基于模拟退火遗传算法的GMDH网络模型

针对传统GMDH网络建模用最小二乘法辨识参数时容易陷入局部极小导致模型预测效果不理想的问题,提出将模拟退火算法与遗传算法结合起来,并引入到GMDH网络,用模拟退火遗传算法来辨识其部分描述式系数.描述了模拟退火遗传算法,构建了基于该算法的GMDH网络模型,并将该模型应用于泥石流预测的仿真研究,预测平均相对误差达到3.54%.结果表明,该算法既保证了全局寻优又防止了过早收敛,进一步提高了GMDH网络模型的全局与局部寻优能力.     

基于Boltzmann学习策略的粒子群算法

针对粒子群算法过早收敛导致容易陷入局部极值的问题,提出了一种基于Boltzmann学习策略的粒子群算法(BLSPSO).借鉴模拟退火算法的思想,在标准粒子群算法中引入Boltzmann学习策略.在BLSPSO前期粒子能够学习不同的极值点,适当保持粒子个体多样性,提高算法全局寻优能力.在BLSPSO后期粒子更倾向于学习全局最优粒子,提高收敛速度,保证算法的稳定性.仿真结果表明,所提出的算法具有寻优能力强、搜索精度高等优点,可有效避免标准PSO算法的早熟收敛.该算法在求解多极值问题上与其他PSO算法相比有较好表现.     

模拟退火粒子群算法的同心圆阵稀疏优化设计

提出一种基于模拟退火粒子群算法(SAPSO)的同心圆阵稀疏优化方法,该方法以同心圆阵阵元位置为优化参量,以第一零点波束宽度和峰值旁瓣电平为优化目标,结合了模拟退火算法和粒子群算法的优点,提高了算法的收敛速度,具有摆脱局部最优的能力。仿真结果表明,相比于目前常用的4种优化算法,相同迭代次数下,该方法收敛迭代次数最小,且在约束同心圆阵第一零点波束宽度的同时得到的稀疏同心圆阵具有最低的峰值旁瓣电平。     

基于神经网络的桁架结构优化设计

阐述了基于神经网络的结构优化设计原理 ,提出了基于神经网络的结构优化设计的模拟退火算法 ,为了提高模拟退火算法的收敛速度 ,提出了改进的惩罚算子计算公式·用两个桁架结构的优化设计算例验证了所提方法的有效性与准确性·研究结果表明 ,该方法较之其他优化方法更准确 ,更有效·     

免疫遗传算法在BP神经网络中的应用

提出了一种基于免疫遗传算法(IGA)的BP神经网络设计方法.该算法在遗传算法(GA)的基础上引入生物免疫系统中的多样性保持机制和抗体浓度调节机制,有效地克服了GA算法的搜索效率低、个体多样性差及早熟现象,提高了算法的收敛性能.为了解决BP神经网络权值随机初始化带来的问题,用多样性模拟退火算法(SAND)进行神经网络权值初始化,并给出了算法详细的设计步骤.仿真结果表明,同混合遗传算法相比,该算法设计的BP神经网络具有较快的收敛速度和较强的全局收敛性能.     

模拟退火法在协同优化中的应用

为解决传统标准协同优化算法经常无法收敛和容易陷入局部最优等缺陷,提出一种基于模拟退火法的改进协同优化算法.该算法在继承标准协同优化算法并行自治优点的前提下,首先系统级由全局模拟退火算法和梯度算法相结合的组合优化策略代替单优化算法,其次根据优化具体情况引入动态松弛因子,以此来保证优化的全局性和精度.通过两个典型的MDO测试算例对改进的协同优化算法进行验证,优化结果表明,改进的协同优化算法具有更好的精度、收敛速度和稳定性.     

基于矢量量化的组合参数法说话人识别

 说话人识别的方法很多,提出的基于矢量量化(VQ)的算法,在语音特征表征上利用几种特征参数的组合使用来提高识别率,在VQ过程中,经典的K均值算法收敛速度快,但极易收敛于局部最佳点,为了使聚类算法收敛于全局最优点,同时提高识别率,采用模拟退火算法来改善聚类码本质量.讨论了具体的算法实现,并给出了一些实验数据,实验结果表明该处理方法是有效的.