模拟退火算法及其改进形式

对模拟退火算法及其改进形式进行了综述,讨论了各种改进形式的特点,并指出并行算法是一种比较理想的改进方法．     

模拟退火算法的改进及其应用

针对贷款组合优化决策模型的求解问题，以模拟退火算法为基础，利用设置记忆器和在算法后链接一个局部搜索过程的方法，对原有算法进行了改进，该算法可兼顾解的质量和运行时间，快速找到最优解，克服了原有算法的随机性。数值计算的结果表明，该算法具有很强的适用性。     

基于LM和SA的混合优化算法

针对LM算法及模拟退火算法各自存在的不足,提出一种交替使用二者的混合优化算法（SALM算法）.该算法先通过模拟退火算法粗调得到一组全局最优近似解,再以该近似解为初值,交替使用模拟退火算法和LM算法,直至发现满意的最优解.实验结果表明,新算法不但具有模拟退火算法的全局收敛特性而且保留了LM算法的局部收敛速度,克服了单纯模拟退火算法所产生的随机性和概率性问题,也弱化LM算法对初始条件的依赖程度,保证了求解的速度和精度。     

模拟退火算法

本文介绍了Metropolis准则,给出模拟退火算法的算法步骤以及收敛性定理．最后,给出了模拟退火算法运用的数值例子．     

基于模拟退火步长的粒子群算法

为了提高粒子群算法的收敛速度和全局收敛性,本文在标准粒子群算法的基础上作了改进,提出了一种带模拟退火步长的粒子群算法．通过典型函数的测试结果表明新算法比原来算法收敛到最优解的次数多,提出的新算法在全局搜索能力和收敛速度方面有所提高．     

模拟退火算法在优化中的研究进展

模拟退火算法在处理全局优化、离散变量优化等困难问题中,具有传统优化算法无可比拟的优势.在计算机计算速度不断提高的条件下,具有不可低估的发展潜力和重要的研究价值.本文研究分析了基本的模拟退火算法原理,主要介绍了模拟退火算法的发展历史和特点,综合了近期关于模拟退火算法研究进展.本文在比较了模拟退火算法与传统的优化方法的基础上,最后指出了它的发展趋势和研究热点,对模拟退火算法在优化中的推广应用具有重要意义.     

基于并行模拟退火算法的TSP问题求解

针对标准模拟退火算法串行优化单个解，优化过程较长、效率较低的弱点，提出一种基于多种群群体优化的并行机制。该机制通过将单个解的串行优化转化为许多个解同时进行的并行优化来提高算法的整体优化效率。利用该算法求解TSP问题能够显著提高优化效率，仿真结果表明该算法是有效的。     

遗传模拟退火算法在非线性最小二乘中的应用

对于非线性最小二乘问题,传统的算法往往是从一个初始值开始,经过迭代来逼近问题的最优解,其结果必会受到初始值的影响,而遗传模拟退火算法求解则具有很好的全局搜索能力,不受初始值的影响.研究表明,采用遗传模拟退火算法来求解非线性最小二乘问题,可取得较好的效果.     

模拟退火改进粒子群优化算法求解优化问题

针对粒子群优化算法后期易陷于局部最小的缺点,引入模拟退火思想,建立模拟退火—粒子群优化算法。通过求解函数优化问题对比实验,表明改进后的粒子群优化算法增强全局寻优能力,搜索成功率大为提高。     

基于模拟退火遗传算法的公交区域调度研究

采用模拟退火算法和遗传算法相融合,建立公交区域调度中行车计划生成的模型,创建目标函数,将模拟退火算法应用于遗传算法的交叉、变异过程中,对模型进行求解,并用实际的运营数据对模型进行了验证,结果表明,此方法是可行且有效的。     

模拟退火遗传算法的性能评价

遗传算法和模拟退火算法的结合对遗传算法的性能有很大的改进．将遗传算法与模拟退火算法相结合，提出了模拟退火遗传算法．研究结果表明，该算法能较好地克服传统遗传算法存在的不足，并在进化速度和全局寻优能力方面有较大的突破．     

退火遗传算法及其在一维切割问题上的应用

针对标准遗传算法在解决优化问题中存在的问题,提出了改进标准遗传算法的退火遗传算法,并把该算法应用于一维最优切割问题上。通过与标准遗传算法求解一维切割问题的比较,验证了退火遗传算法的有效性。     

一种改进的遗传算法

传统的遗传算法有2个严重的缺点,即不能有效地消除过早收敛现象以及在进化后期搜索效率较低。模拟退火算法是基于金属退火的机理而建立起来的1种全局最优化方法,它能够以随机搜索技术从概率的意义上找到目标函数的全局最小点。将遗传算法与模拟退火算法相结合,提出模拟退火遗传算法。实验结果表明,该算法在性能上有较大的改善。     

一种基于模拟退火粒子群的信赖域算法

针对信赖域算法求解非线性优化无法找到局部最优解的问题,提出一种基于模拟退火粒子群的信赖域算法.该算法先利用模拟退火改进粒子群的后期寻优能力,克服＂早熟收敛＂,再与信赖域算法结合,有效求解无约束化信赖域子问题。数值实验表明,新算法具有良好的全局寻优能力和收敛能力,计算精度高。     

大地电磁模拟退火反演研究

主要介绍模拟退火算法的基本原理和实现步骤。将模拟退火算法引入MT资料反演,针对MT正演多参数和非线性的特点,采用合适的降温方式和选择机制,以提高运算速度和运算精度。结合具体的反演算法原理和实现方法,使用不同的MT正演理论模型进行验证,获得良好的的结果。     

改进的模拟退火算法求全局优化问题的最优解

围绕全局优化问题,对模拟退火算法进行了分析,针对过程变量优化问题中普遍存在的多峰现象,探讨了应用模拟退火算法求全局优化问题的最优解的方法．通过对线性问题和非线性问题的计算,表明该法能够有效地解决全局优化问题．     

基于模拟退火算法的高校后勤管理信息化水平评价模型

采用模拟退火与神经网络相结合的方法,建立了一个更为客观、可操作性强的高校后勤管理信息化水平评价模型。测试结果表明,模拟退火算法具有对评价样本进行自学和全局寻优能力,有效地解决了BP算法局部收敛的问题。评价模型能有效应用于高校后勤管理信息化度量。     

基于快速模拟退火组合优化算法的故障诊断

提出了快速模拟退火组合优化算法，建立了TE故障诊断模型，仿真结果表明，快速模拟退火组合优化算法的故障诊断能力比模拟退火算法好，值得进一步研究。     

基于模拟退火方法BP神经网络的测向定位方法

针对BP算法在测向定位中收敛速度慢、易陷入局部极小等缺点,将模拟退火方法应用到BP神经网络中,同时结合变步长方法,利用隐层节点的动态合并与删除策略,在满足定位精度的同时使网络结构最小化,使用三层前馈网络建立了三站测向定位模型。通过仿真实验,新方法在收敛速度和有效性方面都远高于BP算法。     

基于遗传退火算法的关联规则挖掘

把模拟退火算法具有全局平衡的特性引入到遗传算法中来,避免了遗传算法收敛性慢以及容易陷入早熟的特点,提出了一种基于遗传退火策略的关联规则挖掘模型。实验结果表明,与遗传算法相比,改进的算法更能有效挖掘大型数据集中的关联规则。