基于混合遗传算法的配电网络重构优化

以网损最小为目标函数,电压降、线路电流值和电源容量的限制为约束条件,建立了配电网络重构优化数学模型,用外部惩罚函数法将该问题转化为无约束问题.针对遗传算法的局限性,对适应函数进行了调整,实施了最优保留策略,改进了交叉和变异操作,并结合了模拟退火算法,从而形成了混合遗传算法,该算法能够有效地提高收敛速度,避免早熟收敛.优化过程中考虑了配电网自身特点,提高了计算效率.重构算例说明,该优化方法有效、实用.     

求解流量监测点最优部署问题的混合遗传算法

针对网络流量监测点最优部署(Optimal Deployment of Flow Monitors,ODFM)问题,提出了ODFM问题的通用模型。将遗传算法和模拟退火算法相结合,给出了求解ODFM问题的遗传模拟退火算法(GA-SA)。通过仿真实验,将GA-SA和标准遗传算法(Standard Genetic Algorithm,SGA)以及Suh等人提出的两步近似算法(Two-Stage Approximation Algorithm,TSAA)的求解性能进行了比较。实验结果表明,与SGA和TSAA相比,GA-SA可获得15%以上的求解性能提升。     

组播最优QoS划分问题及其混合遗传算法

最优QoS划分研究基于性能的价格体系下的资源分配问题，组播最优QoS划分（MOPQ）是将组播树上端到端QoS要求划分到本地链路，使得总代价最小。研究了求解MOPQ问题的遗传算法，设计了由树代价与叶结点缮罚因子构成的适应度函数，提出了双子群混合遣传算法。该算法充分利用了遗传算法的全局搜索优势，模拟退火算法的局部搜索优势以及双子群的协作优势。仿真结果表明该算法的有效性。     

基于混合遗传算法的海军航空兵场站物资配送车辆调度智能优化

为提升海军航空兵场站物资配送车辆调度效率,根据海军航空兵场站物资配送任务特点,建立了物资配送车辆调度优化模型,提出了混合遗传算法(hybrid genetic algorithm, HGA)对模型进行了求解。在HGA中引入了模拟退火(simulated annealing, SA)操作对经典遗传算法(genetic algorithm, GA)进行了改进：选择适合模型的编码方式和交叉算子;使用类似路径构造的方法构建初始种群;在遗传操作产生子种群之后,通过SA操作寻找子种群邻域中的潜在优秀个体,提升算法局部搜索能力。最后,通过与经典GA的对比实验,验证了所提算法的有效性和可靠性。     

一种改进的遗传模拟退火算法及其应用

对遗传模拟退火算法进行了研究,首先对遗传算法的适应度线性尺度变换作了改进,然后在改进的遗传算法中融入了模拟退火算法,从而提高了遗传算法的全局寻优能力。以空心并联电抗器的优化为例,建立了空心并联电抗器的优化设计模型,给出了进行模拟退火操作时产生新解的邻域结构,采用改进的遗传模拟退火算法对空心并联电抗器进行优化设计,计算结果表明空心并联电抗器的损耗和重量分别减小了16.3%和11.5%,优化效果明显。     

多重运输调度问题的模拟退火算法

提出了多重运输调度问题的模拟退火算法,实际运算表明,该算法具有较快的收敛速度,是一个较实用的算法。     

非线性规划的混合遗传算法

遗传算法是一类模拟自然界生物进化过程与机制、求解问题的自组织和自适应的人工智能技术,是非常好的求解优化问题的算法,但是它也容易产生早熟现象,且局部搜索能力较差。因此,在分析传统的非线性规划方法的基础上,针对传统方法的局限性,为非线性规划模型设计了一种新的启发式算法,即结合遗传算法、模拟退火算法和动态惩罚函数法的混合遗传算法,以发挥各算法处理问题的优势。对算法的过程进行了分析。通过实例说明,该算法对于求解所建立的问题是有效的。     

用进化-模拟退火算法求解Lambert方程

Lambert方程在轨道拦截和初始轨道确定起着重要作用。求解Lambert方程的传统算法主要有Newton迭代方法和超几何级数展开方法等,但这些算法都有一定的局限性(如有可能出现迭代收敛过慢,级数展开收敛性问题)。采用进化-模拟退火算法(EA-SA)算法求解Lambert方程,其中进化算法具有全局搜索能力,而模拟退火具有局部锁搜索能力。该方法克服了某些情况下梯度下降法有时收敛过慢和超几何级数不收敛的缺点,并具有通用性,便于操作和理解。通过仿真计算对比表明,EA-SA具有普适性,而且精度优于其它两种算法。     

目标分配的蚁群-模拟退火算法及其改进

直升机编队的对地攻击过程中,目标分配是实现作战任务的重要条件。确定了直升机目标分配的优势度计算方法以及目标分配的原则。利用蚁群-模拟退火算法实现了直升机对地攻击的目标分配过程,并针对分配过程中,采用综合优势度最大来确定最优路径所出现的不足对算法进行了改进,即根据信息素的积累量来确定最优路径,能够综合考虑信息素浓度与优势度的影响,避免了为达到全局最大优势度而出现的个体分配效益不好以及收敛缓慢的情况。实验结果表明,改进的算法效率更高,收敛的速度较之前更快,分配结果更趋合理。     

基于模拟退火-强化学习算法的船舶运动控制

船舶运动控制与航行的安全性、可操纵性和经济性密切相关。本文基于模拟退火-强化学习算法提出了一种混合智能控制器,应用于船舶运动航向控制中。这种混合智能控制器发挥了各种智能算法的优势,能够克服风、浪、流等外界的干扰,船舶操纵自身的不确定性,以及干扰或仪器测量误差情况下,精确的训练数据不容易得到的缺陷。最终的仿真结果表明,当存在风浪干扰海况下,船舶航向的控制仍能取得令人满意的效果。     

基于遗传模拟退火法的量子细胞自动机电路仿真

有机结合具有概率突跳特性的模拟退火和群体并行搜索的遗传算法的遗传模拟退火算法是一种有效搜索全局极值的算法，通过对算法操作和参数的合适设置，将其推广到量子细胞自动机电路的仿真。基于对量子细胞自动机基本逻辑电路的仿真结果验证了该算法的有效性，其性能明显优于Macussi等人提出的基于量子细胞自动机的模拟退火法。     

基于模拟退火遗传优化的正交小波盲均衡算法

在分析基于正交小波变换的盲均衡算法和遗传算法理论的基础上,提出了基于遗传优化的正交小波盲均衡算法（GA-WTCMA）。该算法将遗传算法引入到正交小波盲均衡算法（WTCMA）中,利用遗传算法的全局搜索特性,对均衡器权向量进行优化,以降低WTCMA局部收敛的可能性,减小稳态误差,并针对遗传算法的局部搜索能力差,在遗传算法中嵌入模拟退火思想,得到了基于模拟退火遗传优化的正交小波盲均衡算法（SA-GA-WTCMA）,纠正了遗传算法的早熟现象,进一步减小稳态误差,加快了收敛速度。水声信道仿真结果,验证了该算法的有效性。     

基于遗传编程的可持续模拟退火算法及应用

研究分析了模拟退火算法(SA)的缺陷,采用分等级搜索机制,提出了可持续模拟退火算法(HFCSA)后,针对HFCSA算法编码受限问题,引入遗传编程的思想和编码方式,提出一种基于遗传编程的可持续模拟退火算法-GP-HFCSA算法.该算法可以在开放式搜索空间中搜索,实现结构和参数的协同进化.在算法对比测试实验(8特征值问题)中,GP-HFCSA算法的设计结果优于参照算法,证明了GP-HFCSA算法具有良好的效率及自动设计能力,具有广泛的学术价值及应用前景.     

基于遗传模拟退火算法的机动多目标数据关联问题研究

应用遗传模拟退火算法将机动多目标的数据关联问题表达为一类约束的组合优化问题研究时 ,可极大地提高密集多回波环境下系统跟踪多机动目标的精度和可靠性 .仿真结果表明 ,遗传模拟退火算法明显地优于独立地使用遗传算法和模拟退火算法 .     

一种高效的模拟退火全局优化算法

提出了一种确定模拟退火算法温度更新函数的启发式准则，构造了适当的产生随机向量的概率密度函数，应用该启发式准则导出了相应的温度更新函数。新的温度更新函数与退火时间的幂函数成反比，与优化问题的变量维数无关。     

基于改进模拟退火算法的机器人最优构形研究

研究了机器人标定中最优测量构形的选择,目的是利用改进的模拟退火算法来选择机器人的一系列最优测量构形,以最小化参数估计中测量和建模误差的影响。为加快算法收敛速度,设计了一个合适的冷却进度表,并分析了冷却进度表中各因素交互作用对算法试验性能的影响。把实验结果与局部搜索算法的结果进行了比较分析,验证了该算法的实用性。     

多目标平面选址问题的模拟退火算法

用模拟退火算法求解一类困难的多目标平面选址问题，经微机上大量试算，效果较好.     

确定性联合补充库存问题的模拟退火算法

对确定性需求的联合补充库存问题许多文献已有不少启发式算法,这些算法都是基于枚举方式计算。通过分析该问题,应用现代优化理论,提出一个有效的模拟退火算法,通过算例表明,该算法可得出较优的、与最优解偏差较小的可行解,可以有效地解决此类问题。     

基于适应性模拟退火的标准单元布局算法

提出了一种基于适应性模拟退火的标准单元布局算法，针对各布局电路的特性，在传统的模拟退火算法中引入适应性初始温度和适应性搜索区域的概念，并对标准单元布局中目标函数中的惩罚项做出相应改进。该算法用于对一组标竿电路进行测试，和传统模拟退火算法得出的结果相比，在布局效果上和时间性能上均显示出优越性。