VLSI标准单元布局问题的增强型混合遗传模拟退火算法

提出有效处理百万个VLSI标准单元布局问题的混合遗传模拟退火算法.首先采用小规模种群、动态更新种群和交叉局部化策略,并协调全局与局部搜索,使遗传算法可处理超大规模标准单元布局问题.然后为进一步提高算法进化效率和布局结果质量,将爬山和模拟退火方法引入遗传算法框架及其算子内部流程,设计高效的线网-循环交叉算子和局部搜索算法.标准单元阵列布局侧重使用爬山法,非阵列布局侧重使用模拟退火方法.Peko suite3、Peko suite4和ISPD04标准测试电路的实验结果表明,该算法可在合理运行时间内有效提高布局结果质量.

混合遗传-模拟退火算法在公交智能调度中的应用

公交行车调度是公交企业运营的核心内容,关系到公交企业的经济效益与社会效益。兼顾企业与乘客的利益建立了公交车辆行车计划模型,将遗传算法与模拟退火算法相结合组成混合遗传-模拟退火(GA-SA)算法,并对公交行车调度进行优化。实例仿真计算表明该算法具有比标准遗传算法更好的效率,是优化公交调度问题的一个有效途径。

水电站水库调度图的优化方法与应用——基于混合模拟退火遗传算法

按常规方法绘制的水库调度图相对保守,难以达到可靠性与效益的优化组合,使得水库调度图还存在一定的优化空间。提出了一种优化常规调度图的新方法——混合模拟退火遗传算法,以实现水库调度图的计算机程序式自动优化修正。该方法综合了遗传算法的全局搜索能力和模拟退火算法的局部搜索能力,提高了计算精度,避免了手工修正调度图的随意性。通过在实际生产项目中的应用与检验,证明该方法对水电站水库调度图的优化确实可靠,在满足可靠性指标以及水库综合利用要求约束的条件下,取得了可观的经济效益,为水电站实现经济运行提供了一条可行途径。

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。

路面结构模量反算的遗传-模拟退火混合算法

路面结构层模量反算是路面结构无损检测与评价的基础。本文针对遗传算法和模拟退火算法各自的特点,在传统遗传算法的搜索过程中引入模拟退火算法的Metropolis接受准则,以增强算法的全局搜索能力。在此基础上,将遗传-模拟退火混合算法应用于路面结构层材料模量的反算分析。文中分别对理论数据和实测数据进行了计算,并与目前国内外已有的路面反算软件的分析结果进行了分析比较。数值结果表明,该方法具有较强的全局收敛性,数值结果稳定可靠。

基于混合遗传模拟退火算法的SaaS构件优化放置

目前,对于SaaS优化放置问题的研究都是假定云环境中的虚拟机的种类和数量都是确定的,即,在限定的资源范围内进行优化.然而,在公有云环境下,SaaS提供者所需要的云资源数量是不确定的,其需要根据Iaa S提供者所提供的虚拟机种类以及被部署的SaaS构件的资源需求来确定.为此,站在SaaS提供者角度,提出一种新的SaaS构件优化放置问题模型,并采用混合遗传模拟退火算法(hybrid genetic and simulated annealing algorithm,简称HGSA)对该问题进行求解.HGSA结合了遗传算法和模拟退火算法的优点,克服了遗传算法收敛速度慢和模拟退火算法容易陷入局部最优的缺点,与单独使用遗传算法和模拟退火算法相比,实验结果表明,HGSA在求解SaaS构件优化放置问题方面具有更高的求解质量.所提出的方法为SaaS服务模式的大规模应用提供了理论与方法的支撑.

并行遗传/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。

基于混合遗传模拟退火算法求解TSP问题

TSP问题是典型的NP-hard组合优化问题,遗传算法是求解此类问题的一种方法,但它存在如何较快地找到全局最优解,并防止"早熟"收敛的问题。针对上述问题并结合TSP问题的特点,提出将遗传算法与模拟退火算法相结合形成遗传模拟退火算法。为了解决群体的多样性和收敛速度的矛盾,采用了部分近邻法来生成初始种群,生成的初始种群优于随机产生初始种群。仿真实验结果证明,该算法相对于基本遗传算法的收敛速度、搜索质量和最优解输出概率方面有了明显的提高。

基于混合遗传模拟退火算法的矢量场机器人导航(英文)

提出了一种解析形式的机器人矢量场导航模型 ,模型中场矢量的指向就是机器人的理想移动方向 .模型假设工作空间中的障碍物为多边形 ,通过对障碍边界上电场的积分得到了排斥场的封闭解 .导航必须考虑路径对长度、平滑度及安全性的要求 ,因此 ,一种混合遗传模拟退火优化算法被用来对导航模型的参数进行搜索 ,以寻找最优路径解 .仿真结果验证了本文模型的有效性 ,优化所获路径的比较说明此混合算法要优于遗传算法和模拟退火算法 .

梯级水电站调度图优化的混合模拟退火遗传算法

为提高水库群联合调度时的水资源利用率,重新审核水库群系统中原有单库调度图的有效性,本文提出了一种解决库群联合调度多目标、多变量的智能优化新方法—混合模拟退火遗传算法。该方法将遗传算法的全局搜索能力和模拟退火算法的局部搜索能力相结合,提高了计算效率和精度,避免了手工修正调度图的随意性。在以实际生产项目为依托的应用与检验中,在满足各类边界条件及保证率要求的前提下,该方法对梯级水电站水库调度图的优化可行、有效,为优化梯级水库调度图提供了一种新的有效算法。

求解装卸混合车辆路径问题的模拟退火遗传算法

提出一种改进的模拟退火遗传算法来求解装卸混合车辆路径问题;通过使用模拟退火变异策略来增强遗传算法的局部搜索能力,从而改善遗传算法的"早熟"问题,使算法有能力避免陷入局部极值而快速收敛于全局最优解;仿真实验结果表明了所提算法求解装卸混合车辆路径问题的有效性与适用性。

基于链式遗传-模拟退火混合算法的电网扩展规划

将模拟退火机制引入到食物链生态进化算法,提出了链式遗传-模拟退火混合算法(CAGSAH),对种群执行并行退火操作,弥补食物链生态进化算法爬山能力不足,提高算法全局寻优能力。给出了链式遗传-模拟退火混合算法的详细计算流程,并将其应用到求解电网扩展规划问题,实际计算结果显示链式遗传-模拟退火混合算法在搜索效率及收敛性能上明显优于食物链生态进化算法。

基于混合遗传模拟退火算法的圆柱螺旋弹簧优化设计

针对复合形法等传统优化方法在全局搜索能力较弱,容易陷入局部最优解,并且最优解依赖于初始点选择的特点,提出了应用混合遗传模拟退火算法来解决这些问题。建立了某采油树阀门执行机构内部弹簧的优化设计数学模型,应用混合遗传模拟退火算法对其进行了优化设计,并与复合形法、随机方向法、模拟退火算法和遗传算法所计算的结果进行了比较。结果表明,与复合形法相比,经过混合遗传模拟退火算法优化得到的弹簧体积减小了16.01%。

改进的混合遗传模拟退火算法及其在组合优化中的应用研究

本文分析了遗传算法和模拟退火算法的优缺点,提出了一种混合遗传模拟退火MGASA算法,对其进行了优化操作,并将该算法应用于组合优化中TSP问题的解决。经实验验证,MGASA算法优于普通的GA和SA算法。

基于混合遗传模拟退火算法的离合器蝶形压紧弹簧优化设计

针对遗传模拟退火算法的局部搜索能力不足,并且可能早熟和遗失最好解;以及传统优化算法全局性较弱,容易陷入局部解的问题。提出一种将遗传模拟退火算法和共轭方向法相结合的混合遗传模拟退火算法。在此基础上对离合器蝶形压紧弹簧优化设计进行研究,并与传统优化方法进行比较,结果表明,该方法简单可行,可为蝶形压紧弹簧以及其他产品的设计提供一种新方法。

量子原胞自动机遗传模拟退火算法改进研究

针对量子原胞自动机遗传模拟退火算法仿真大型电路的效率低的不足,提出一种可以减小问题规模的局部遗传模拟退火算法。理论验证了可定态细胞的定态规则,对可定态细胞进行定义;采用定态规则计算可定态细胞极化状态与遗传模拟退火方法计算不可定态细胞极化状态相结合,从而有效地减小了问题的规模。通过仿真验证了基于定态规则的遗传模拟退火方法相比单纯遗传模拟退火方法更具优越性,不但加快了量子原胞自动机仿真的收敛速度而且提高了仿真的精确度。

基于模拟退火的混合遗传算法

分析了遗传算法和模拟算法的优缺点,并将两种算法进行混合,提出一种基于模拟退火的混合遗传算法以弥补两个算法的不足.理论分析和仿真实验表明该方法的有效性和可行性.

一种锐化解空间的基于模拟退火的混合遗传算法

遗传算法是模仿自然界生物个体进化的机理发展而来的一类优化算法,近年来得到广泛的应用,模拟退火算法(SimulatedAnnealing,简称SA)则是模仿另一种自然现象-固体退火原理的一类优化算法.分析了两种算法的优缺点,将两种算法进行混合,并引入一种锐化解空间的方法,提出一种基于模拟退火的混合遗传算法以弥补两个算法的不足.

遗传—模拟退火混合算法在配电网检修优化中的应用

从配电网设备检修计划编制的实际需要出发,在考虑多种约束条件的基础上,建立了以配电网经济性最好为目标的优化模型。针对该模型的特点,采用1种新型混合遗传-模拟退火算法(HGSA)对配电网检修计划进行优化调整。该算法综合了遗传算法和模拟退火算法的优点,使其既具有遗传算法的全局性和并行性,又具有模拟退火算法的局部搜索能力和退火特征。通过遗传算法、模拟退火算法对实际检修计划优化结果的比较,证明了所提出HGSA算法的有效性。

基于遗传模拟退火混合算法的火力分配模型优化

提出了一种基于遗传模拟退火混合火力的分配算法.在该算法中,采用精英保留策略很好地保留了优良的基因,采用随机遍历抽样法提供了零偏差和最小个体扩展,并且采用了与模拟退火算法相结合的尺度变换.该算法既保留了传统遗传算法的诸多优点,又克服了传统遗传算法实时性差以及易陷入局部最优的缺点.仿真结果表明,遗传模拟退火混合算法能有效解决火力分配问题,简单、有效且快速,具有很好的应用价值.