融合模拟退火参数的自适应遗传算法求解柔性作业车间调度问题

柔性作业车间调度问题是NP难问题,一般使用最大完工时间最短的评价指标来衡量加工顺序和机器选择的优劣,最短的完工时间意味着最快的生产速度。为了减小计算量并快速找到车间调度的最优解,提出了融合模拟退火参数的自适应遗传算法,详述了该算法的关键过程,并通过数据集的仿真实验验证了该算法的有效性。

高效的自适应小生境遗传-模拟退火混合算法

为克服遗传算法易陷入局部极值这一缺陷,提出一种融合小生境、自适应和模拟退火技术的混合算法。共享机制小生境技术与基于排序的适应度分配维持种群的多样性,使算法具有一定的鲁棒性;交叉、变异概率的自适应化保护优良个体,促使劣等个体加速进化,改进的交叉和变异策略可扩展算法搜索范围;嵌入式模拟退火模块能够有效利用记录的种群进化信息,锁定搜索范围,促进个体向高适应度方向发展,进一步摆脱早熟收敛。仿真结果表明,该算法具备良好的全局搜索能力和稳健性。

基于遗传-模拟退火算法修正高斯烟羽模型参数

高斯烟羽模型由于受到地形地貌与气象条件等因素的影响,难以准确反映大气的实际扩散过程。为解决上述问题,首先在经验参数作为先验值的基础上,通过遗传算法对实际观测数据进行参数反演修正,根据观测结果调整模型参数,提高模型的准确性;然后,为进一步优化参数修正结果,引入模拟退火算法,通过随机搜索和逐步降温的策略来跳出遗传算法可能陷入的局部最优解,进一步改善模型的性能。为了评估修正效果,建立一个基于权重的模型值与观测值之间差异的适应度函数,通过比较修正前后的误差率来判断参数修正对高斯烟羽模型的影响程度。仿真实验的结果表明,所提出的遗传-模拟退火算法模型能够有效地修正高斯烟羽模型中的扩散参数,修正后的模型在预测污染物浓度方面的误差率下降了89.40%。所提模型可为环境保护和污染防治提供重要的理论支撑和决策依据,具有较大的应用潜力。

基于自适应模拟退火遗传算法的特征选择方法

特征选择是机器学习及模式识别领域的重要问题之一。针对高维数据对象,特征选择不仅可以在保证数据完整性的情况下减少特征维数,还能够提高分类精度。文中提出了一种基于自适应模拟退火遗传算法的特征选择方法,该方法将模拟退火算法嵌入到自适应遗传算法的循环体中,利用模拟退火算法具有较强的局部搜索能力,并且能够使搜索过程避免陷入局部最优解的特点,解决了基本遗传算法收敛速度慢,时间复杂度高的缺点。实验结果表明,在保证分类正确率的前提下,该方法有效提高了特征选择效率。

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。

求解矩形件优化排样的自适应模拟退火遗传算法

矩形件优化排样是一个NPC问题,在工业界有着广泛的应用.针对该问题,提出一种自适应模拟退火遗传算法.采用一种基于环形交叉算子和环形变异算子的自适应遗传算法来自动调整交叉和变异概率;同时引入模拟退火算法对个体适应度大于平均适应度的个体进行退火处理.自适应模拟退火遗传算法充分发挥了自适应遗传算法与模拟退火算法各自的全局搜索能力与局部搜索能力.对比实验表明,该算法结合改进的最左最下布局算法解决矩形件优化排样问题更加有效.

基于自适应模拟退火遗传算法的传感器优化配置研究

针对传感器优化配置组合优化问题,提出了一种基于模态置信度准则MAC的优化算法——自适应模拟退火遗传算法。以模态置信度MAC矩阵的最大非对角元的值极小为目标函数,针对满足传感器数量不变的约束条件问题,提出了二重结构编码遗传算法,并将传统的模拟退火算法改良后,作为一个独立的算子置于遗传算法进化过程中;为了避免出现过早收敛的现象,引入了自适应交叉和变异概率。算例结果表明该混合算法对传感器数目与位置同时实现了优化,得到了满足不同精度要求的传感器优化配置方案。

基于自适应模拟退火遗传算法的月球软着陆轨道优化

将自适应遗传算法与模拟退火算法相结合,形成一种自适应模拟退火遗传算法。该算法不但具备了自适应遗传算法的强大全局搜索能力,也拥有模拟退火算法的强大局部搜索能力。针对月球软着陆轨道优化的特点,利用一种新的参数化方法将轨道优化问题转换为非线性规划问题,并应用提出的自适应模拟退火遗传算法进行优化。数值结果表明:该算法的收敛速度快,优化精度高,且避免了初值敏感、病态梯度和局部收敛等问题,能够搜索到全局最优轨道。

基于模糊自适应模拟退火遗传算法的配电网故障定位

对于配电网故障定位系统的不足与遗传算法存在易早熟、收敛速度慢等问题,结合模糊推理和自适应模拟退火遗传算法,提出一种模糊自适应模拟退火遗传算法(FASAGA)。该算法对评价函数做了容错性改进,在遗传选择时采用自适应机制与最佳个体保留策略,并结合模糊推理与自适应机制求取模糊自适应交叉算子、模糊自适应变异算子,引入模拟退火算法提高收敛速度与局部搜索能力。仿真结果说明该算法应用在配电网故障定位中的准确性、快速性与高容错性。

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。

矩形件优化排样的自适应遗传模拟退火算法

针对理论上属于NP完全问题的矩形件优化排样问题,提出了一种基于小生境技术的自适应遗传模拟退火算法。研究了将矩形件在板材上的排列方式转换为特定编码的方法,利用遗传模拟退火算法进行全局优化概率搜索,考虑到算法中交叉概率和变异概率的选择影响到算法收敛性,提出了自适应的交叉概率和变异概率,并通过小生境技术对子辈个体是否替换父辈个体加以控制,最终得到矩形件排样的最优次序和排放方式,采用最低水平线策略的启发式排样算法实现自动排样。排样实例表明,该优化排样算法行之有效,具有广泛的适应性。

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。

基于自适应模拟退火遗传算法的多目标最优潮流

采用自适应遗传算法来确定基本遗传算法的交叉率和变异率,保证遗传算法的收敛性。同时引入模拟退火法思想,通过拉伸目标函数的适应度使优秀个体在产生后代时具有明显的优势,从而加速寻优的过程,形成一种新的算法:自适应模拟退火遗传算法。应用该算法进行电力系统多目标最优潮流计算,IEEE30试验系统计算结果表明了该算法的灵活性和有效性。

模拟退火自适应大变异遗传算法及其应用

为了克服遗传算法易陷入局部最优或早熟问题,提出了一种模拟退火大变异遗传算法,采用了大比例优秀个体保护策略,以保证算法的收敛性。应用该算法求解旅行商问题的仿真实验证明了它能较快地收敛到最优解或准最优解。