混合遗传算法与模拟退火法

论文将适合全局搜索的遗传算法(GA)和适合局部搜索的模拟退火算法(SA)相结合,提出了混合GA-SA计算方法。一方面,算法采用混沌初始化,提高了初始群体的质量;另一方面,算法采用Gray编码以及动态自适应调节交叉概率和变异概率,提高了收敛速度,并有效防止种群早熟现象。实例验证了该算法的可行性和有效性。     

Estimation of the minimum machining performance in the abrasive waterjet machining using integrated ANN-SA

In this study, Artificial Neural Network (ANN) and Simulated Annealing (SA) techniques were integrated labeled as integrated ANN-SA to estimate optimal process parameters in abrasive waterjet (AWJ) machining operation. The considered process parameters include traverse speed, waterjet pressure, standoff distance, abrasive grit size and abrasive flow rate. The quality of the cutting of machined-material is assessed by looking to the roughness average value (R_a). The optimal values of the process parameters are targeted for giving a minimum value of R_a. It was evidence that integrated ANN-SA is capable of giving much lower value of R_a at the recommended optimal process parameters compared to the result of experimental and ANN single-based modeling. The number of iterations for the optimal solutions is also decreased compared to the result of SA single-based optimization.     

基于模拟退火遗传算法的聚类分析

将模拟退火遗传算法用于聚类分析,通过对聚类中心进行编码,定义适应度函数,选择、交叉、变异操作以及模拟退火算法的运用,给出了一种新的基于模拟退火遗传算法的聚类算法,实验结果显示该方法优于基本的遗传算法.     

基于模拟退火遗传算法对多用户检测仿真

在第三代移动通信系统码分多址(CDMA)的技术问题的研究中,存在多址干扰和误码率问题.针对基本遗传算法在多用户检测中易陷人局部最优解、收敛速度慢导致误码率高.为了解决上述问题,提出一种模拟退火(SA)和遗传算法(GA)相结合的CDMA多用户检测方法(SA-GA).SA-GA将模拟退火引入遗传算法的选择策略和生存策略,通过模拟退火来减轻遗传算法的选择压力,利用模拟退火的BoltZman机制来控制接收交叉和变异后的个体,弥补了基本遗传算法的不足.对SA-GA的CDMA多用户检测方法进行了仿真实验,实验结果表明,SA-GA算法有效的克服基本遗传算法局部最优问题,收敛明显加快,降低了检测的误码率,增强了多址抗干扰能力,证明检测达到了要求.     

基于遗传模拟退火算法的不规则多边形排样

将遗传授拟退火算法应用于计算机辅助排样领域，设计了一种基于遗传模拟退火技术的启发式排样算法．该算法能够处理不规则多边形的排样问题；同时，给出一种对象的几何表达方式，可以忽略高度不规则形状带来的复杂性影响．该算法通过基于遗传模拟退火算法的全局优化概率搜索，寻找排样件在排样时的最优次序及各自的旋转角度，然后采用基于左下角(BL)策略的启发式排样算法实现自动排样．     

模拟退火遗传算法在车间作业调度中的应用

研究车间作业调度系统,使资源达到优化配置.针对提高产品质量,缩短周期,传统遗传算法应用于车间作业调度过程中易出现收敛速度慢、易陷入局部最优,导致作业调度效率极低.为了提高车间作业调度的效率,提出一种模拟退火遗传算法的车间作业调度方法.在遗传算法种群更新过程引入模拟退火机制,防止早熟现象的产生,使种群在更新迭代过程中保持了多样性,加快了收敛速度,克服遗传算法过早收敛的缺陷.采用的SA-GA算法能够在最短时间找作业调度的最优解,对30个车间作业调度标准测试案例进行了仿真.仿真结果表明,使相对平均误差降低了4.6%,极大的提高了车间作业调度效率,验证了在实际生产中应用的可行和优越性.     

求解SAT问题的退火遗传算法

提出一种将遗传算法与模拟退火算法相结合的SAT问题求解算法SAT-SAGA.该算法以遗传算法流程为主体,并把模拟退火机制融入其中,用以调整优化群体,防止陷入局部最优和出现早熟;在进化过程中算法采用了最优染色体保存策略,防止进化过程的发散.实验表明:该算法在求解速度、成功率和求解问题的规模等方面都有明显的改善.     

遗传模拟退火算法在约束求解中的应用

将遗传模拟退火算法应用于约束求解中 ,提高了约束系统求解的鲁棒性和效率 .与 Newton- Raphson数值方法相比 ,由于遗传模拟退火算法是一种单纯的数值迭代方法 ,不涉及到矩阵求逆 ,因此克服了 Newton- Raphson法对初始值敏感的缺点 ,具有很强的鲁棒性 ;与其他利用 BFGS的优化算法相比 ,由于遗传模拟退火算法是在一个初始的解空间中搜索所有可能的解 ,因此克服了 BFGS优化算法对良约束多解情况只能求出一个解的缺点 ;由于遗传模拟退火算法是将约束问题转化为优化问题后才进一步求解 ,因此其可以处理过约束一致和欠约束的问题     

模拟退火遗传算法的轮廓线拼接研究

基于断层数据的三维重构是三维数据场可视化技术的主要研究内容,重构物体的三维模型也是分析、仿真的前提.应用模拟退火遗传算法设计和实现了三维物体表面重建算法.通过在遗传算法中融人退火处理操作,提高了种群的多样性,避免了遗传算法中存在的早熟收敛问题,有效地增强了算法的全局寻优能力.此外,提出了一种基于边的最小交叉多边形算法,提高了交叉操作效率.根据轮廓线拼接问题的特点,设计了针对性强的交叉、变异操作.实验结果表明,算法有效地提高了传统的全局法轮廓线拼接算法的效率.     

基于模拟退火遗传算法的测试数据生成研究

在软件测试中,如何才能生成高效的测试用例一直是人们研究的热点.提出了一种基于模拟退火的遗传算法,用于测试数据的生成.该算法有效克服了传统GA局部搜索能力差和早熟现象.同时也有效改善了SA全局搜索能力差的问题.随后提出了一个基于模拟退火遗传算法的测试数据自动生成的系统框架结构.并重点介绍了如适应度函数选取问题、编码问题和遗传算子改进问题等关键技术.实验结果表明.该苒法运用在测试数据自动生成领域.其效率和效果都优于传统的遗传算法.     

SA与GA算法在波束图设计中的比较分析

针对模拟退火算法(SA算法)和遗传算法(GA算法)在阵列波束图设计上的应用进行了比较分析.SA算法和GA算法是近些年发展起来的两种全局优化算法,把这两种算法分别应用到线列阵波束图设计上.并通过改变那些相关参数反复仿真了多次,然后将其结果分别和线列阵的最佳加权-切比雪夫加权进行比较,可以发现它们基本逼近了切比雪夫加权的设计效果,满足了波束图设计的一般要求,并且发现GA算法较SA算法为优.     

基于遗传模拟退火算法的模糊聚类方法

首先对模糊C-均值聚类算法做了简要分析和评论,根据其特点,提出了一种基于遗传模拟退火算法的聚类分析方法,从而提高了遗传算法的全局搜索能力。算法中采用了适合于模糊聚类的树型编码方案,实验表明,该算法可克服系统对数据集及初始聚类中心的敏感性,避免陷入局部极小,具有良好的准确性与可靠性,在模式识别、数据挖掘等领域有着广泛的应用前景。     

基于GA-SA混合算法的VLSI门阵列布局设计

布局是VLSI布图设计中的关键环节，通常采用随机优化算法。该文采用遗传算法(GA)与模拟退火法(SA)相结合的搜索算法实现VLSI门阵列模式布局，利用遗传算法进行全局搜索，模拟退火法进行局部搜索。进化过程中采用精英保留策略，并对进化结果进行有选择的模拟退火操作，这样既加强了局部搜索能力又防止陷入局部最优。在复合布局目标函数中引入对最长线网的惩罚，其收敛速度比以总线长度为单一目标函数的要快。在交叉操作中，对交叉位置的选择采用了一种新的策略，增加了交叉的有效性。实验表明，此算法与简单遗传算法相比，有效地提高了全局搜索能力。     

基于遗传算法和模拟退火算法的TDOA定位技术

提出一种基于遗传算法与模拟退火算法的TDOA定位估计算法,该算法通过对求解定位坐标计算时的最大似然函数进行求解,实现了利用所有TDOA测量值对移动台的定位估计。该算法采用实数编码,自适应交叉率和变异率实现遗传算法的全局搜索,引入模拟退火的Boltzmann机制,解决遗传算法容易陷入局部最优的问题。实验结果表明,该算法定位精度高、收敛速度快。     

一种基于模拟退火和遗传算法的模糊聚类方法

首先,对模糊C-均值聚类算法做了简要分析和评论,根据其特点,提出了一种基于模拟退火和遗传算法的聚类分析方法,算法中采用了适合于模糊聚类的树型编码方案。实验表明,该算法可克服系统对数据集及初始聚类中心的敏感性,避免陷入局部极小,在模式识别、数据挖掘等领域有着广泛的应用前景。     

并行遗行／模拟退火混合算法及其应用

1 引言人们常常应用随机优化方法,例如:遗传算法GA(Genetic Algorithms),模拟退火算法SA(Simulated Annealing),爬山算法HC(Hill Climbing),Tabu算法等,解决复杂的非线性函数优化问题。这些方法通常需要大量的计算,从而导致运行时间开销较大。随着计算机及网络技术的高速发展,在高性能计算平台上并行化随机优化方法成为当今研究领域的热门。特别是Beowulf PCs Cluster技术的成熟,为研究人员提供了     

基于遗传模拟退火算法的QoS组播路由算法

提出了一种基于遗传模拟退火算法的带宽、时延和时延抖动约束费用最小的组播路由选择方法，该方法针对遗传算法的局限性，采用基于备选路径集的整数队列编码机制，对适应度函数进行了调整，改进了交叉和变异操作，结合了模拟退火算法。实验表明，该算法能够有效地提高收敛速度、避免早熟收敛、满足多媒体网络对相应QoS的需求。     

Comparative analysis of Simulated Annealing,Simulated Quenching and Genetic Algorithms for optimal reservoir operation

The present study deals with the application of non-traditional optimization techniques, namely, Simulated Annealing (SA), Simulated Quenching (SQ) and Real-coded Genetic Algorithms (RGA) to a case study of Mahi Bajaj Sagar Project, India. The objective of the study is to maximize the annual net benefits subjected to various irrigation planning constraints for 75% dependable flow scenario. Extensive sensitivity analysis on various parameters used in above techniques indicated that they yielded same solution corresponding to a set of optimal combination of parameters. It is concluded that SA, SQ and RGA can be utilized for efficient planning of any irrigation system with suitable modifications.     

基于模拟退火的混合遗传算法研究

针对常规遗传算法会出现早熟现象、局部寻优能力较差等不足,在遗传算法运行中融入模拟退火算法算子,实现了模拟退火的良好局部搜索能力与遗传算法的全局搜索能力的结合。经验证,该混合算法可以显著提高遗传算法的运行效率和优化性能。