基于改进模拟退火遗传算法的高速公路服务区自洽能源系统高能效优化

针对高速公路自洽能源系统高能效优化的问题,基于改进模拟退火遗传算法(SA-GA),提出了一种综合考虑经济目标和环保目标的自洽能源系统高能效优化运行策略。首先根据高速公路服务区自洽能源系统中各电力单元特性,建立一种综合考虑系统经济性和环保性的能效目标函数;其次根据高速公路服务区自洽能源系统的分类,建立了不同类型系统对应的约束条件;为避免遗传算法易陷入局部最优的缺陷,引入模拟退火算法,对改进后的SA-GA算法采用降温函数,寻找全局最优解;利用新疆某高速公路服务区自洽能源系统发电和负荷数据,并在传统服务区负荷的基础上进一步考虑新能源汽车充电站的影响。测试函数测试结果表明:SA-GA算法在求解速度和稳定性方面有明显提升,改进SA-GA算法对夏季、冬季典型日能效优化的结果,相较于遗传算法,在寻优精度提升约为20.33%。

模拟退火遗传算法在自由曲面数控加工中的实验

在自由曲面的加工中,一直面临着加工时间长的问题,本研究以提高加工效率为目的,通过分析待加工自由曲面的面曲率、残余高度等参数,计算出合理的加工步长和行距,并以此为依据将待加工曲面离散成点云即为刀触点。将刀具路径规划问题转化为求解TSP问题的最优解,为避免遗传算法早熟陷入局部最优解,引入了模拟退火算法进行改进,使用改进后的混合算法进行刀具路径寻优。对优化方法进行了仿真加工、实验加工及测量,结果表明优化方法相比传统方法刀路长度最多减少303.4mm,相对缩短了12.3%,加工效率提升较为明显,并且加工表面也取得了较好的加工效果。

基于改进离散模拟退火遗传算法的雷达网协同干扰资源分配模型

针对分布式干扰机掩护目标突防雷达网背景下的干扰资源分配问题,提出了一种引入随机密钥的改进离散模拟退火遗传算法(improved discrete simulated annealing genetic algorithm,IDSA-GA)对资源分配过程进行优化。基于雷达网融合检测概率构建干扰效果评估函数,利用IDSA-GA对函数寻优求解。IDSA-GA在模拟退火遗传算法(simulated annealing genetic algorithm,SA-GA)的基础上引入随机密钥,完成算法的离散化;并在迭代的过程中增加记忆功能,克服了过早收敛的现象。仿真结果表明,与GA相比,提出的IDSA-GA收敛迅速,寻优能力强,能有效解决干扰资源优化分配问题。

基于改进模拟退火遗传算法的配电网动态故障恢复策略

计及分布式电源出力波动性对故障恢复效果带来的不利影响,提出1种利用光伏出力预测的配电网动态故障恢复方案。故障发生后,首先对动态变化的光伏系统输出功率进行预测,并研究了负荷动态特性;其次,以配电网恢复重要负荷总量最大、故障恢复成本最小和故障停电损失最少为目标函数,构建基于动态树背包模型的最优故障恢复模型,该模型可快速适应配电网拓扑变化情况。采用改进模拟退火遗传算法求解最优故障恢复方案,提高了算法的收敛速度与稳定性。最后,在IEEE69节点系统进行仿真,结果表明所提算法可适应复杂配电网的故障恢复,提高配电网供电可靠性,并降低配电网故障带来的恢复成本与停电损失。

基于模拟退火量子遗传算法的焊接机器人轨迹规划

针对焊接机器人在焊接过程中经常出现的轨迹规划问题,以六自由度机械臂PUMA 560为研究对象,采用笛卡尔空间规划轨迹,并利用混合算法,以关节惯性力矩变化量最小为优化目标,对不同末端位置的各个关节惯性力矩进行优化,从而消除了机械臂焊接过程中的运行不稳定、关节运动不平稳等问题。克服了模拟退火算法收敛速度慢及量子遗传算法局部寻优能力差等问题,成功规划出机械臂关节惯性力矩最优轨迹。MATLAB仿真结果表明,模拟退火量子遗传算法收敛时间相比传统遗传算法缩短30.56%,并且优化了关节惯性力矩,验证了该算法的可行性,可为后续研究奠定基础。

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。

基于遗传和模拟退火算法的电动汽车充电调度策略研究

针对大规模电动汽车无序充电过程中存在充电成本高、车主满意度低和充电桩利用率不均衡等问题,首先,以停车场运营商的利润和车主满意度最大化为目标,构建充电调度模型;其次,设计一种将遗传和模拟退火算法相结合的遗传模拟退火算法对模型进行求解;最后,将遗传模拟退火算法与无序充电调度策略和其他元启发式算法进行实验数值对比,验证所提算法的寻优性能,为新能源电动汽车的进一步推广提供有力依据。

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。

大型星座混合模拟退火遗传算法测控任务规划

提出了一种基于拥挤度的混合模拟退火多层编码遗传算法,用于解决大型星座的测控任务规划问题。首先,建立了大型星座测控问题的约束满足模型,对任务规划过程中的各种约束条件和优化目标进行了形式化描述。第二,采用多层编码的方法建立测控方案与解空间的对应关系,并采用遗传算法的启发式方法进行全局搜索。第三,为了增加种群的多样性并加快收敛速度,在每代进化结束后对种群中最优的部分个体进行基于拥挤度的模拟退火。超180颗卫星,32个地面测控天线的真实大型星座测控任务规划试验表明,基于拥挤度的混合模拟退火遗传算法的任务完成率高达99%,归一化综合收益大于0.9,算法运行时间小于15 min,验证了该方法具备工程实用价值。

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.

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。

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。

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。

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。

改进遗传模拟退火神经网络的双相机标定算法

针对双目相机标定算法中BP神经网络精度低、收敛性差的问题,提出了一种基于改进遗传模拟退火算法的BP神经网络优化方法(improved genetic simulated annealing algorithm-BP,IGSAA-BP)。该方法通过改进遗传模拟退火算法的适应度扩展,交叉、变异概率和退火准则来改善BP神经网络的性能,为BP神经网络提供了最优权值和阈值。将IGSAA-BP神经网络与BP神经网络和TGSAA-BP神经网络两种相机标定算法进行对比,利用其标定的真实值与预测值相差结果得出结论,3种标定方法进行相机标定的平均标定精度分别为0.02、0.71和0.28 mm。结果表明,IGSAA-BP神经网络可以提高双目相机的标定精度,提高全局寻优能力,加快收敛速度。

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。

混合遗传变邻域搜索算法求解柔性车间调度问题

针对考虑生产成本的柔性作业车间调度问题(flow job shop scheduling problem, FJSP),以完工时间与加工成本为优化指标,提出一种求解FJSP的混合遗传变邻域搜索算法。根据个体适应度对种群分割,结合自适应交叉概率改进子代种群产生方式;设计两种邻域结构增强算法的局部搜索能力;提出一种基于动态交叉变异概率的优化算法流程提高求解效率。运用提出的算法求解基准实例与实际问题测试,验证了算法的有效性。

改进的混合模拟退火—遗传算法应用于电网规划

遗传算法很适用于解决具有多目标性、非线性和整数性的电网规划问题。然而遗传算法的一些特点使得其在应用中出现了局部收敛等一些缺点。提出将模拟退火与遗传算法有机结合 ,克服了传统遗传算法难以解决的不稳定和局部收敛的问题 ,并在计算速度和精度上取得了令人满意的效果。