基于改进模拟退火算法的移动机器人路径规划

提出了一种新型改进模拟退火算法,对移动机器人路径进行了全局优化。该算法不仅继承了经典模拟退火算法能达到全局最优解的优点,而且其收敛速度远远优于经典模拟退火算法。仿真实验研究表明:这种改进模拟退火算法全局寻优能力强,收敛速度快,显著提高了求解移动机器人全局路径规划的效率。     

基于模拟退火的粒子群优化算法

粒子群优化算法是一类简单有效的随机全局优化技术。该文把模拟退火思想引入到具有杂交和高斯变异的粒子群优化算法中,给出了一种基于模拟退火的粒子群优化算法。该算法基本保持了粒子群优化算法简单容易实现的特点,但改善了粒子群优化算法摆脱局部极值点的能力,提高了算法的收敛速度和精度。四个基准测试函数的仿真对比结果表明,该算法不仅增强了全局收敛性,而且收敛速度和精度均优于粒子群优化算法。     

快速分解模拟退火算法在全局查询优化中的应用

文章提出了一种基于快速分解模拟退火算法的全局查询优化算法。快速分解模拟退火算法是一种改进的模拟退火算法,它退火时间短,收敛速度快,磁盘I/O开销小。仿真结果表明,该算法在数据集成系统环境中,无论参与查询的关系数目多少,均有较好的查询优化性能。     

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.     

用填充函数改进的智能控制系统全局优化算法

为了提高全局优化算法的速度,提出了智能控制系统全局优化算法。该算法应用了闭环控制系统的反馈的思想,使得在寻优迭代过程中被优化函数的值不断接近设定值,直至达到其全局最优值。该算法的关键在于控制策略的设计和策略中的参数值的设定。为了降低参数初值设定的难度同时提高算法的寻优精度,利用填充函数法对智能控制系统全局优化算法进行改进。经12个标准的测试函数的验证,改进后的算法的速度较填充函数法快,算法的精度比智能控制系统全局优化算法高。     

模拟退火算法在全局查询优化中的应用

在分布式环境下,全局查询的代价函数空间形状包含了很多局部最小状态,需要多次局部最优化才可以找到全局最小状态。模拟退火算法是目前发展较快的智能优化算法,是一种以概率l收敛于全局最优解的全局优化算法。文中讨论了全局查询优化的过程以及模拟退火算法在全局查询优化中的应用,并对算法进行了一些改进。     

模拟退火算法在全局查询优化中的应用

在分布式环境下，全局查询的代价函数空间形状包含了很多局部最小状态，需要多次局部最优化才可以找到全局最小状态。模拟退火算法是目前发展较快的智能优化算法，是一种以概率l收敛于全局最优解的全局优化算法。文中讨论了全局查询优化的过程以及模拟退火算法在全局查询优化中的应用，并对算法进行了一些改进。     

基于遗传模拟退火混合算法的矩形包络求解

介绍了一种利用遗传模拟退火混合算法求解矩形包络的方法,该算法在优化搜索中能自适应地控制变异率,使得优化高效地逼近全局最优.矩形包络是将不规则多边形用它们的最小外接矩形来代替,就是求解该多边形的最佳包络矩形.实验结果表明,在解决矩形包络问题中,遗传模拟退火混合算法是一种高效的,可靠的优化算法,具有一定的实用价值.     

基于模拟退火粒子群算法的FCM聚类方法

针对模糊C-均值（FCM）聚类算法易陷入局部极小值和对初始值敏感的缺点,提出了一种基于模拟退火粒子群优化的模糊聚类算法。该算法利用粒子群强大的全局寻优能力和模拟退火算法跳出局部极值的能力,克服了模糊C-均值聚类算法的不足。实验表明,该算法有很好的全局收敛性,能够较快地收敛到最优解。     

基于模拟退火策略的细菌觅食优化算法

针对标准细菌觅食优化算法(BFOA)求解精度不高、稳定性较差、容易陷入局部极值的问题,提出了一种基于模拟退火策略的细菌觅食优化算法(SA-BFO)。该算法在趋向操作完成后,采用模拟退火策略对全局最优个体进行优化,提高算法的优化精度和稳定性,利用模拟退火算法的概率突跳性来避免陷入局部极值。仿真实验结果表明,改进算法比标准细菌觅食优化算法具有较高的优化性能。     

基于混合遗传算法的炮兵火力优化配置研究

现代战争条件下,如何使炮兵火力打击在当前一体化联合作战中发挥作用,使炮兵的作战效能最大化一直是关注的重点。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合并行与模拟退火算法全局寻优的特点,对炮兵火力配置进行了分析研究。模拟结果表明此算法既具有较快的收敛速度,又能够收敛到最优解。     

PSOSA混合优化策略

本文提出了一种微粒群算法与模拟退火算法相结合的混合优化方法，该方法在群体进化的每一代中，首先通过微粒群算法的进化方法来控制微粒的飞行方向，然后利用模拟退火算法来拓展其搜索领域。这样既可以利用微粒群算法的收敛快速性，又可以利用模拟退火算法的全局收敛性。本文还证明了该混合优化方法依概率1收敛于全局最优解。仿
真结果表明，在搜索空间维数增大时，该方法的全局收敛性明显优于基本微粒群算法。     

基于退火遗传算法的复杂机电系统控制参数最优整定

针对复杂机电系统中可调参数多、调整范围大、参数之间耦合强、常规方法难于整定与组态的难题，提出了基于退火遗传算法的参数最优整定方法．将遗传算法和模拟退火算法巧妙地结合起来、取长补短，构成一种新的高效、鲁棒的寻优算法，应用于平整机主传动速度控制系统的参数优化问题，使系统的性能指标达到最优．     

基于SA-PSO的小波神经网络汽轮机故障诊断

针对传统小波神经网络的问题,提出了一种基于模拟退火粒子群算法优化小波神经网络并用于汽轮机故障诊断.先使用模拟退火粒子群算法对小波神经网络的参数进行初步优化,再用小波神经网络进行二次优化训练.实验结果表明,所提出的SA-PSO-WNN算法与WNN、PSO-WNN算法相比,网络的训练速度更快,全局搜索能力更强,网络的泛化能力更好,具有很好的实用价值.     

基于VC的模拟退火算法的实现

结合Metropolis准则,对模拟退火算法进行了研究.阐述了模拟退火算法的基本原理及其实现过程,在Visual C 编译环境下实现了该算法.并将其运用到解决旅行商问题的优化之中.介绍了TSP的问题特征、一般形式及其数学描述,确定了其VC 环境下的模型实现步骤.实例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C 语言的掌握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.     

A direct search variant of the simulated annealing algorithm for optimization involving continuous variables

A memory-based simulated annealing algorithm is proposed which fundamentally differs from the previously developed simulated annealing algorithms for continuous variables by the fact that a set of points rather than a single working point is used. The implementation of the new method does not need differentiability properties of the function being optimized. The method is well tested on a range of problems classified as easy, moderately difficult and difficult. The new algorithm is compared with other simulated annealing methods on both test problems and practical problems. Results showing an improved performance in finding the global minimum are given.Scope and purposeThe inherent difficulty of global optimization problems lies in finding the very best optimum (maximum or minimum) from a multitude of local optima. Many practical global optimization problems of continuous variables are non-differentiable and noisy and even the function evaluation may involve simulation of some process. For such optimization problems direct search approaches are the methods of choice. Simulated annealing is a stochastic global optimization algorithm, initially designed for combinatorial (discrete) optimization problems. The algorithm that we propose here is a simulated annealing algorithm for optimization problems involving continuous variables. It is a direct search method. The strengths of the new algorithm are: it does not require differentiability or any other properties of the function being optimized and it is memory-based. Therefore, the algorithm can be applied to noisy and/or not exactly known functions. Although the algorithm is stochastic in nature, it can memorise the best solution. The new simulated annealing algorithm has been shown to be reliable, fast, general purpose and efficient for solving some difficult global optimization problems.     

模拟退火遗传算法在DOA估计技术中的应用

将模拟退火思想融入到遗传算法中,形成了另一种优化算法,即模拟退火遗传算法,将其应用于加权子空间（WSF）算法的目标方位（DOA）估计技术中,以求降低WSF算法的运算复杂度,提高DOA估计精度,同时又解决了基本遗传算法在DOA估计中易陷入局部最优、后期搜索迟钝等问题。计算机仿真结果表明：采用模拟退火遗传算法的DOA估计技术在低信噪比条件下比采用基本遗传算法、高斯-牛顿算法有更高的分辨概率,更小的均方误差。     

一种改进的分布式查询优化算法

为了提高分布式查询优化算法的性能,在遗传模拟退火混合算法中融入小生境技术,并对混合算法的相应要素进行改进,基于该混合算法,提出了一种改进的分布式查询优化算法。利用小生境技术扩展遗传模拟退火混合算法的探索区域,防止早熟现象发生,简化算法中的Meteopolis规则,以消除混合算法中引入新技术后产生的功能冗余,将混合算法应用到分布式查询优化算法中。实验结果表明,改进的分布式查询优化算法可以稳定地得到最优解,减少分布式数据库查询的代价,提高查询效率。     

基于自适应遗传模拟退火算法的矩形件排样

研究一种自适应遗传模拟退火算法,应用于矩形件优化排样问题。以整数编码矩形件的排样序列,采用经验选择与随机生成相结合的策略构造初始种群。运用自适应交叉和变异概率动态地控制遗传算法的收敛速度,通过模拟退火算法引导全局最优搜索,采用启发式最低水平线择优算法对排样序列进行解码,形成排样方式。多组对比实验结果表明,自适应遗传模拟退火算法求解速度较快,可以有效提高板材的利用率。     

模糊作业时间的拆卸线平衡Pareto多目标优化

针对实际拆卸作业的复杂性,建立了考虑模糊作业时间的多目标拆卸线平衡问题的数学模型,提出了一种基于Pareto解集的多目标遗传模拟退火算法进行求解。改进了模拟退火操作的Metropolis准则,使其能够求解多目标优化问题。采用拥挤距离评价非劣解的优劣,保留了优秀个体,并通过精英选择策略,将非劣解作为遗传操作的个体,引导算法向最优方向收敛。基于25项拆卸任务算例,通过与现有的单目标人工蜂群算法进行对比,验证了所提算法的有效性和优越性。最后将该算法应用于某打印机拆卸线实例中,求得8种可选平衡方案,实现了求解结果的多样性。