一种新型模拟退火神经网络及其应用

针对训练神经网络权值的BP算法容易陷于局部最小值点的问题，提出了带自适应冷却进度表的模拟退火算法与lowell算法构成新型混合算法，用该算法训练网络的权值。冷却进度表中主要参数是模拟退火算法的控制参数T的初值T0和T的衰减函数。把整个迭代过程划分为若干阶段，在每个阶段结束时，依据网络模型误差自适应地修正下阶段的T0（回火温度）、T的衰减函数中的参数和迭代步长初值。仿真结果表明，上述混合算法具有很强的全局和局部搜索能力，其性能优于BP算法；该算法在油田系统建模问题中的成功应用也表明了该方案的有效性。     

基于多条件约束的无线传感器网络QoS路径选择算法

多约束QoS路径选择是无线多媒体传感器网络亟待解决的关键问题,已被证明是NP全问题。分析了有线传感器网络使用的多项式时间和伪多项式时间启发式路径选择算法存在着计算复杂度高的特点,不适合无线多媒体传感器网。提出了一种基于改进的模拟退火的多约束QoS路径选择算法,选取控制参数T的衰减函数和控制参数T的终值Tf这两个重要参数进行优化,构造出更精细的冷却进度表。分析表明该算法是一种高效的路径选择算法,在不牺牲算法复杂度的情况下,能够提高最终解的质量。     

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。     

基于模拟退火算法的水彩画仿真

为了快速有效地进行水彩非真实感绘制,综合考虑了工具材质的物理特性和视觉特征,提出一种基于模拟退火算法的水彩画计算机仿真方法.通过定义颜料颗粒解、产生函数和冷却进度表,并且利用解空间的迭代计算模拟水彩动静态属性.为了增加绘制效果真实感,利用Ashikhmin纹理映射算法合成水彩纸的自然背景纹理,并修正和迁移了光学库伯卡-芒克模型以融合纹理基质和颜料涂层,仿真了水彩肌理性特征.实验结果表明了该方法的有效性.     

基于Markov随机场的运动目标快速分割

提出了一种基于MRF模型自适应运动目标图像分割方法，该法采用高斯混合模型描述视频序列的差分图像，用模拟退火快速EM算法对高斯分布的参数进行估计，在此基础上建立MRF模型，利用此模型构建能量函数，ICM算法把图像用一个能量函数取到最小值的组态来表示。     

应用退火演化算法辨识哈默斯坦模型

本文介绍了一种基于进化策略的新型模拟退火算法--退火演化算法,该算法将进化策略引入模拟退火算法中,通过变异和选择等步骤不断改善解的群体,而不是像传统的模拟退火算法那样仅仅采取单点迭代的方法。退火演化算法加强了对解的构成空间的整体把握,提高了搜索效率和精度,尤其对多峰函数具有良好的最优解搜索能力,并且具有较强的鲁棒性和灵活性。本文将其应用于哈默斯坦模型的参数辨识,仿真结果说明了该方法的有效性。     

模拟退火剩余静校正算法（ARSCSA）及其并行实现

描述了模拟退火算法在石油勘探中求解剩余静校正量问题上的应用及其数学模型。结合冷却进度表的构造方法和对算法的改进,设计出了新的串行ARSCSA算法和基于操作步区域分裂策略的并行ARSCSA算法。最后给出了性能实验结果。     

基于自适应模糊网络的在线辨识

研究了基于一阶Sugeno的自适应网络模糊推理系统（ANFIS）进行在线辨识的方法。给出了该自适应网络的结构,在此基础上给出了网络权值的修正算法,即综合最陡下降法和最小二乘法得到的一种混合学习算法。对一个非线性模型进行了数字仿真,得到的在线辨识的结果优于采用反传算法的普通神经网络辨识方法。由此证明,一阶Sugeno模糊推理模型和混合学习算法的采用,使得该辨识方法具备网络结构简单、收敛速度快的优势,便于工程实现。     

模拟退火剩余静校算法(ARSCSA)及其并行实现

描述了模拟退火算法在石油勘探中求解剩余静校正量问题上的应用及其数学模型,综合冷却进度表的构造方法和对算法的改进,设计出了新的串行算法和基于操作步区域分裂策略的并行算法。最后给出了性能实验结果。ARSCSA ARSCSA     

自适应遗传退火算法优化BP神经网络及其应用

以提高预测软件老化趋势为应用背景,提出一种新型自适应遗传退火算法（NAGSA）优化BP神经网络模型,该模型采用轮盘赌选择法与精英保留策略相结合的选择算子,在迭代后期通过模拟退火算法对适应度函数进行拉伸,相比传统的自适应遗传算法（AGA）在个体适应度较低时,能够非线性地自适应调节交叉概率和变异概率,从而对BP神经网络的权值和阈值优化并进行网络训练.对在线售书网站注入内存泄漏的代码使之老化,收集实验所需的老化数据进行仿真训练,实验结果表明,NAGSA-BP模型相比于传统遗传算法（GA）、传统自适应遗传算法（AGA）、传统自适应遗传退火算法（NGSA）优化的BP神经网络模型提高了预测精度和取得了优良的收敛效果,在该应用领域验证了本文方法的有效性.