考虑设施深度的过道布置问题及改进烟花算法求解方法

针对过道布置问题中忽略设施深度及物流交互点置于过道边线的问题,结合实际布局活动对过道布置问题进行拓展,构建考虑设施深度的过道布置问题的混合整数规划模型,并提出一种改进烟花算法.该算法采用2-opt邻域构造方法对爆炸操作进行离散化处理;设置搜索深度并执行两点变异操作,实现变邻域搜索;通过贪婪选择方法更新种群以记忆精英解.为改进算法,引入混沌映射初始化烟花种群和设置阈值以加速算法寻优.通过对比数学规划方法与所提出算法的求解结果,验证了模型的有效性和所提出算法的求解优势.最后,通过不同算法的对比实验表明,改进烟花算法在寻优精度、收敛效率和稳定性方面均有明显优势.     

考虑面积成本的双目标环形过道布置建模及改进禁忌搜索优化

针对现代建筑结构的形式多样化和面积成本在总成本中的占比越来越大等问题，建立了考虑面积成本的双目标环形过道布置问题的数学模型，并对考虑面积成本下的双目标环形过道布置问题的总成本进行优化.结合问题和模型特点，提出了一种加入动态禁忌长度和变异操作的改进禁忌搜索算法.所提算法随着迭代次数的增加，动态禁忌长度不断变化，从而缩小了搜索空间，提高了解的集中性，并融合了变异操作使其跳出局部最优，扩大了算法搜索范围.通过对不同规模实例的测试验证了算法的可行性.通过将所提算法与基本禁忌搜索算法进行对比，结果表明了改进算法的有效性和优越性.     

布局问题的模拟退火算法

布局问题属于ＮＰ－完全问题已被研究多年，模拟退火法是一种新的通用启发式优化算法，现已广泛用于解决大规模集成电路逻辑布线设计、图象处理等组成优化问题，本语文通过对布局问题及模拟退火算法的分析，将它们综合起来构成了求解布局问题的模拟退火算法，计算结果表明，本文算法得到的解优于传统优化方法所得到的解；本文还通过实验对算法中各参数所起作用进行了论述。     

一种模拟退火算法与禁忌搜索算法的混合算法

通过结合模拟退火算法与禁忌搜索算法的优点,提出一个组合算法,并将其应用到旅行商问题（TSP）中。并用C＋＋实现一般的模拟退火算法和这种组合的模拟退火算法．比较结果显示出这种组合算法可以得到更好的结果。     

随机需求车辆路径问题及混合变邻域分散搜索算法求解

随机需求车辆路径问题(capacitated vehicle routing problem with stochastic demand,CVRPSD)是对带容量约束车辆路径问题(capacitated vehicle routing problem,CVRP)的扩展,需求不确定的特点使其较CVRP更复杂,对求解方法要求更高.基于先预优化后重调度思想,提出两阶段的混合变邻域分散搜索算法(variable neighborhood scatter search,VNSS)对该问题进行求解:预优化阶段构建随机机会约束规划模型,对客户点随机需求作机会约束确定型等价处理,生成最优预优化方案;重调度阶段采用新的点重优化策略进行线路调整,降低因失败点而产生的额外成本,减少对人工和车辆的占用.算例验证表明,随机机会约束模型和两阶段变邻域分散搜索算法在求解CVRPSD时较为有效,点重优化策略调整效果较佳.     

基于和声搜索和模拟退火的混合算法解决TSP问题

和声搜索是一种新的启发式优化算法,算法模拟了音乐创作中乐师们凭借自己的记忆,通过反复地调整乐队中各乐器的音调,最终能达到一个美妙的和声状态的过程.针对和声搜索算法容易陷入局部最优的缺陷,将其与模拟退火算法结合,得到了两种混合算法.实验表明混合算法针对TSP问题具有较高的求解质量.     

解布局问题的四元组数据结构及其模拟退火算法

本文提出解布局问题的四元组数据结构，并根据该结构给出求解的模拟退火算法的基本程序。该结构和算法可直接用于求解复杂的布局问题，具有直接的实用价值和重要的理论意义。     

基于离散和声搜索与模拟退火的混合算法

和声搜索是一种启发式优化算法,对和声搜索算法进行离散化,使其能够适用于组合优化问题,就离散和声搜索算法进行两点改进,针对离散和声搜索算法容易陷入局部最优的缺陷,提出一种离散和声搜索与模拟退火算法的混合策略。实验结果表明,基于改进离散和声搜索与模拟退火的混合算法具有较高的求解质量。     

分散搜索算法求解多目标优化问题

最近涌现了各种进化方法来解决多目标优化问题,分散搜索也是一种可以解决多目标问题的算法。该算法的结构引用进化算法的杂交和变异算子来增强它的性能,但该算法与其他进化算法的不同在于一系列操作策略不再基于随机性原理,而是运用“分散-收敛集聚”的迭代机制。论文在多目标优化问题区域讨论分散搜索算法,寻找多目标的非支配集或Pareto最优解。实验表明,分散搜索算法具有很好的收敛性和分布性。     

基于遗传算法和模拟退火算法的布局问题研究

文章在介绍遗传算法和模拟退火算法的基本理论及主要特点的基础上,提出了一个基于遗传算法和模拟退火算法的求解布局问题(矩形件排样优化)算法,并通过算例验证了该算法的有效性。     

改进的求解约束P-Median问题的分散搜索算法

对解决约束P-中位问题已有的分散搜索算法进行改进。通过划分中心点服务范围的新方法指派需求点以构造初始解,用基于外包矩形的局部搜索方法来提高邻域解搜索的效率,结合路径重连算法,扩展邻域解的搜索范围,来提高解的质量。实验表明此算法能够得到优化且连续的解。     

求解TSP问题的改进模拟退火算法

通过分析传统模拟退火算法的原理和存在的不足,提出了一个用于求解TSP问题的改进模拟退火算法。新算法增加了记忆当前最好状态的功能以避免遗失当前最优解,并设置双阈值使得在尽量保持最优性的前提下减少计算量。根据TSP和SA的特征设计了个体邻域搜索方法和高效的计算能量增量方法,加快了算法的运行速度。实验测试的结果表明,新算法比传统的模拟退火算法具有更快的收敛速度和更优的解质量。     

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。     

求解VRPSDP问题的改进模拟退火遗传算法

配送和回收一体化的车辆路径问题（VRPSDP）是一种非常复杂的NP难题。针对这一问题,设计了一种改进的模拟退火遗传算法ISAGA,采用非零自然数编码机制和弱可行解到强可行解的解码机制,将3PM交叉算子和退火选择相结合,形成贪心3PM交叉算子,引进insert 、swap和2-opt分别对解进行迭代优化,并将模拟退火算法和遗传算法巧妙地结合,使得遗传算法在前期发挥着全局搜索的强大功能;后期用模拟退火算法来处理遗传算法前期的全局较优解,充分利用模拟退火算法后期局部搜索的强大功能。经过国际公认的测试算例验证,ISAGA算法在Min算例、Salhi和Nagy算例中均找到了比现有算法已知最好解更优的解。     

正交Scatter Search算法

针对Scatter Search算法在初始种群的分布欠均匀,难以搜索到全局最优,目标函数评价次数多等方面的缺点,把正交设计方法同Scatter Search算法结合起来,提出了Orthogonal Scatter Search(OSS)算法,以改进其不足,满足实际工程的需要.实验证明OSS算法优于SS算法,不仅目标函数评价次数少,收敛速度快,而且易于搜索到全局最优或者非常接近于全局最优,尤其是高维空间效果更加明显.     

基于模拟退火的混合萤火虫Memetic算法

针对标准萤火虫算法（FA）,首先,从数学理论上分析并揭示了其存在的种群过早收敛、容易陷入局部最优等不足,然后提出一种基于模拟退火的混合萤火虫Memetic算法。该算法利用标准萤火虫算法对上一代种群进行全局搜索以保持种群的多样性和算法的全局探索能力;使用模拟退火算子对当前种群中的部分个体进行局部搜索,以一定概率接受适应度较差的个体以避免算法陷入局部最优,该算法同步进行萤火虫吸引过程和模拟退火过程以降低算法复杂度。最后,对该算法在10个标准测试函数上进行对比仿真实验。实验结果表明,该算法在6个测试函数中均能找到最优解,最优值、平均值、方差等指标比对比算法高出一定数量级,在4个复合函数中效果均优于萤火虫算法。     

融合模拟退火和混沌的混合粒子群算法

为了改善粒子群算法的全局搜索能力,把模拟退火思想融于惯性权重的选取之中,再利用混沌运动的特性来融合混沌算法,对早熟的种群进行自适应混沌变异。数值仿真结果表明,所产生的混合粒子群算法能更好地平衡局部寻优和全局寻优,提高了全局寻优的能力和计算的精度。     

基于遗传模拟退火的QoS单播路由算法

针对QoS的问题,设计了一种融合遗传算法和模拟退火算法的QoS路由算法,在遗传算法选择算子上借鉴了小生境的思想,避免了遗传初期有效基因的丢失;在遗传算法交叉算子和变异算子方面使用了自适应算子,使之能更好地适应网络的变化。通过与传统遗传算法进行比较,进一步说明了本算法的有效性。     

Flow-shop调度问题的自适应模拟退火算法

为求得一个强NP-难问题——flow-shop调度问题的最优解或近优解, 提出一种自适应模拟退火算法. 本算法采用一种基于区段特性的特殊邻域结构、简便的目标函数计算方法和自适应退火策略. 通过Flow-shop调度问题的基准测试问题的实验, 数值结果证实了该方法的有效性.     

求解TSP问题的改进模拟退火遗传算法

巡回旅行商问题（TSP）是最典型的NP的难题,遗传算法（GA）是解决这类问题的有效方法之一。由于该问题的解是一种特殊的序列,一般的交叉算子在该问题的求解效果方面并不理想,提出了贪心的3PM交叉算子,同时又引入退火选择方法,形成一种新的模拟退火遗传算法GCBSAGA（Greed Cross-3PM Based on Simulated Annealing Genetic Algorithms）。该算法还将模拟退火算法与遗传算法相结合,使得遗传算法在前期发挥着全局搜索的强大功能,很容易收敛到全局较优解;后期用模拟退火算法来处理遗传算法前期的全局较优解,充分利用模拟退火算法后期局部搜索的强大功能,最终收敛到全局最优解。经过国际公认的TSPLIB提供的实验数据的验证,GCBSAGA在实例eil76、eil101、pr144、st70均找到了比TSPLIB提供的最优路径更优的解。