基于智能混合算法的织物自动配色方案优化设计

为了提高织物自动配色的通用性和精确性,建立了以成本最优为目标的自动配色数学模型.针对染色过程多约束条件的特点和传统遗传算法存在的缺陷,提出了一种基于智能混合算法求解自动配色方案的优化方法.首先利用正交实验设计法、自适应适值函数调整以及适值相似度判别策略等措施对遗传算法进行了改进,然后融入具有较强局部搜索能力的模拟退火算法进行进一步迭代优化,最终实现了自动配色方案的优化设计.分别运用传统遗传算法和智能混合算法对自动配色模型进行仿真和实测,结果表明:智能混合算法改善了全局寻优能力、收敛速度和稳定性,且在保证配色质量的条件下,生产成本较之传统遗传算法的优化成本降低了1.7%以上,具有较好的工程实用价值.     

基于混合模拟退火的勤务编排技术研究

为了优化航空公司勤务编排结果,在考虑勤务编排规则、机组成本和人力因素的基础上,构建了勤务编排优化模型,且综合平衡了各项目标函数.运用局部搜索法获得初始解,并与模拟退火算法结合,形成求解勤务编排问题的混合模拟退火算法.最后通过启发式操作将不可行解转化为可行解.仿真实验表明,混合模拟退火算法能够有效缩小算法搜索空间,减少计算时间,提高运行效率.与基本模拟退火算法和遗传算法相比,混合模拟退火算法运算速度和运算结果均有明显地提高.     

基于遗传算法和模拟退火算法的混合算法

结合离散时间系统最优控制问题,提出一种新的混合算法.该算法是在遗传操作中嵌入模拟退火算子,有效地结合了遗传算法隐含并行与模拟退火算法全局寻优的特点,同时用罚函数方法处理约束条件,设计了专门的遗传操作算子,构造了相应的适应度函数,实现了离散时间系统的最优控制.实验结果表明,新算法既具有较快的收敛速度,又能够收敛到最优解.     

电网故障诊断的遗传模拟退火算法研究

针对电网出现的复杂故障,如断路器和保护不正常动作或多重故障等情况,结合新的故障诊断优化模型,应用遗传模拟退火优化算法进行故障诊断,寻找使构造的目标函数最小的最优解.将遗传算法和模拟退火算法结合,有效避免了遗传算法过早收敛和模拟退火算法全局搜索较差的缺点,解决了电网故障诊断结果多解和漏解的情况,实现了电网断路器和保护不正常动作的故障诊断.     

基于混合遗传算法的神经网络在智能故障诊断中的应用

设计了用模拟退火的混合遗传算法代替BP网络的反向传播过程的改进算法，解决了在故障诊断系统中BP算法容易陷入局部极小值的问题．该算法是在遗传算法中引入模拟退火机制，将其同BP算法结合，形成一个混合的优化算法．新算法既有神经网络的学习能力和鲁棒性，又有遗传算法的强的全局随机搜索能力．仿真结果表明，这种改进算法极大提高了内燃机故障诊断系统的效率和准确性．     

混沌模拟退火粒子群优化算法研究及应用

针对粒子群优化算法容易陷入局部极值点、进化后期收敛速度慢、精度较差等缺点,提出混沌模拟退火粒子群优化(PSO)算法.引入混沌理论对粒子群优化算法的参数进行自适应调整,提高了算法的全局收敛性能|采用模拟退火(SA)算法,依据概率性的劣向转移,以一定概率接受劣解,使算法具有跳出局部最优而实现全局最优的能力.引入自适应温度衰变系数,使模拟退火算法能够根据当前环境自动调整搜索条件,从而提高算法的搜索效率.通过7个经典函数测试混沌模拟退火粒子群优化算法的性能,并将其应用于Job Shop调度问题.仿真实验结果表明,采用新算法有效地克服了停滞现象,增强了全局搜索能力,与遗传算法、粒子群优化算法相比寻优性能更佳.     

基于模拟退火遗传算法的PID参数整定与优化

结合模拟退火算法和遗传算法的思想,提出模拟退火遗传算法,用此算法进行PID参数整定与优化．同时使用自适应交叉率、变异率以及适应度拉伸方法对传统遗传算法进行改进．模拟退火遗传算法有效抑制早熟,且具有收敛性快、全局寻优与局部寻优能力．仿真结果表明,基于此算法寻优设计的PID控制器动态品质和稳定性更好、鲁棒性更强．     

济南地区电网无功优化的混合搜索方法

遗传算法、模拟退火算法以及Tabu搜索算法各有特点 ,将它们合理地结合起来 ,提出了新的混合搜索算法并用于济南地区电网无功优化 .结果表明该混合算法能结合利用各算法优点 ,速度快、效果好     

模拟退火遗传算法在电力系统无功优化中的应用

电力系统无功优化是保证系统安全、经济运行的一项有效手段．针对常规遗传算法收敛速度慢、易早熟等缺陷,并结合电力系统无功优化的特点,在遗传算法（GA）和模拟退火算法（SA）的基础上,提出了更加有效的算法即模拟退火遗传算法．使用该文提出的算法对IEEE-14节点系统进行了无功优化计算,结果表明该模拟退火遗传算法应用于无功优化是合理可行的．     

改进自适应遗传模拟退火算法的结构优化设计

为提高遗传算法的收敛性,避免发生早熟收敛,对遗传算法进行改进.引入一种基于个体适应度值的自适应遗传算法,并将遗传算法和模拟退火算法结合形成一种混合算法,从而提高算法的运行效率和计算精度.算例表明改进的自适应遗传模拟退火混合算法较基本遗传算法更加有效.     

基于遗传模拟退火算法的钢桁架结构优化设计

将遗传算法(GA)的全局寻优性能好和模拟退火算法(SA)的局部搜索能力强的优点相结合,提出了用于钢桁架结构离散变量优化设计的遗传模拟退火算法(SAGA).以十杆桁架为例对此算法进行了数值实验,并将实验结果与其他优化方法相比较.算例结果表明,遗传模拟退火算法的寻优概率是100%,平均进化代数为35代,其稳定性和求解效率均高于改进的遗传算法.实验结果显示,遗传模拟退火算法在整体搜索同时,采用退火操作进行局部搜索,提高了算法的局部搜索能力,有效克服了遗传算法迭代缓慢的缺点,把遗传模拟退火算法用于钢桁架离散变量的优化设计中是行之有效的.     

基于遗传算法与模式搜索的混合优化算法

为了更好地实现全局优化,提出一种遗传模式搜索(Genetic Pattern Search,GPS)算法,该算法结合了遗传算法(GA)的强全局搜索能力与泛化模式搜索算法(PS)的强局部搜索能力.算法流程分为两步:首先是GA与PS联合实现粗搜索;其次是PS实现细搜索.实验对Hump、Powell、Rosenbrock、Schaffer、Woods测试函数进行搜索,表明GPS算法的成功率明显优于改进遗传算法与改进模式搜索算法,可作为一种有效可行的全局优化算法.     

Using genetic algorithm based simulated annealing penalty function to solve groundwater management model

The genetic algorithm (GA) is a global and random search procedure based on the mechanics of natural selection and natural genetics. A new optimization method of the genetic algorithm-based simulated annealing penalty function (GASAPF) is presented to solve groundwater management model. Compared with the traditional gradient-based algorithms, the GA is straightforward and there is no need to calculate derivatives of the objective function. The GA is able to generate both convex and nonconvex points within the feasible region. It can be sure that the GA converges to the global or at least near-global optimal solution to handle the constraints by simulated annealing technique. Maximum pumping example results show that the GASAPF to solve optimization model is very efficient and robust.     

具有随机停滞行为的粒子群优化算法

为了提高算法的优化性能,通过借鉴模拟退火算法(SA)和遗传算法(GA)的思想,在基本粒子群优化(PSO)算法的基础之上,引入了一个称为接受概率的关键参数,改写了原算法中粒子飞翔的速度公式,使粒子以一定的概率随机在解空间的某一方向上产生停滞行为,提出了一种新颖的粒子群优化方法——随机停滞粒子群优化(SSPSO)。数值计算结果表明,合理地选取接受概率的大小,该算法能在保持原算法稳定性的同时,明显提高算法的优化效率。最后,通过与传统的搜索算法、SA和GA的类比,对SSPSO的性能进行了深入分析。     

一种遗传算法的神经网络模型

提出了应用神经网络实现遗传算法的模型,将普通遗传算法中交叉操作和突变操作的概念进行推广,并提出了全交叉和多点突变的概念以及实现这两种操作的人工神经元模型。通过一组著名的测试函数将该算法与典型遗传算法就求解优化问题的性能作了比较研究。此研究对用硬件执行遗传算法,显式地实现遗传算法的内在并行性,从而提高遗传算法的实时性,拓宽遗传算法的应用领域具有重要的意义。     

遗传算法在复杂系统可靠性优化中的应用

在满足一定可靠性指标要求下,使投资最小的复杂系统可靠性优化问题是一个具有多局部极值的非线性的优化问题,使用遗传算法求解问题搜索互了其他算法未能得到的最优解,在遗传算法的中,使用基于中的选择策略和最呆存策略,改善了遗传算法的收敛性能。     

基于粒子群与模拟退火相结合的无功优化算法

针对电力系统无功优化采用粒子群算法容易陷入局部最优、模拟退火算法约束条件多和收敛速度慢的问题,提出一种新的基于粒子群与模拟退火相结合的算法.该算法根据粒子群的易实现性、快速收敛性及模拟退火的全局收敛性,进行协同搜索,求取系统无功优化的解集.对IEEE14、57、118节点系统进行了无功优化仿真计算,结果表明该算法原理简单易实现,计算效率高且能获得质量更高的解.     

地震数据反演中的Monte－Carlo算法、模拟退火算法（SA）及遗传算法（GA）

Ｍｏｎｔｅ－Ｃａｒｌｏ反演方法不是从方程出发直接求反问题，而是在可行解空间中随机产生一系列搜索点，通过检验各搜索点得到反问题的解，该方法具有很强的抗噪音能力，不需对问题作任何线性近似．模拟退火技术是把最优化问题与统计力学中热平衡问题进行类比得来的，它是一种最优化技术，把我们要找极值的函数看成是整个系统的能量函数，任一时制的系统状态则看成是模型空间的一个点．其优点是可避免陷入局部极小值，缺点是计算量很大。遗传算法（ＧＡ）这种新的“全局优化”算法的出现早于模拟退火十多年。ＧＡ的实质是应用于一个模型群体的一组运算，使我们得到一个新的群体，它比上一代成员有更大的期望平均拟合度。上述三种用于反演问题求解的算法已广泛地应用在地球物理求解中，已成为求解非线性反问题的有力数学工具。     

混合遗传蚁群算法的改进及在TSP问题中的应用研究

蚁群算法（ACA）与遗传算法（GA）都属于仿生型优化算法,是解决组合优化问题的强有力工具,并都分别成功应用于旅行商问题（TSP）中。本文将两种算法进行融合,并给出了新的融合方式。实验结果表明,新的遗传蚁群混合算法有效地改进了算法的全局收敛性,并加快了收敛速度。