简介：针对传统聚类算法中存在的较易陷入局部最优解等问题,在传统的K均值算法中引入了遗传算法和模拟退火算法,将两种算法相结合,通过交叉、变异、模拟退火等操作,实现了聚类分析。通过模拟数据集的实验和UCI数据集的实验验证了算法的稳定性和获取全局最优解特性。

简介：目标分配问题是导弹防御系统研究的重要课题之一。针对现代导弹防御特点探讨了该问题，建立了在各项约束条件下，以拦截成功最大化为目标的遗传模拟退火算法的目标分配模型，并给出了算法求解步骤。最后通过仿真实例验证了该算法模型的可行性和有效性。

简介：为对DEM进行分析、管理和应用,有必要对DEM匹配技术进行研究。为此,提出一种基于ICP和模拟退火遗传算法的多源DEM无控匹配方法,利用扫描线生成DEM的点云并利用ICP进行粗匹配,并利用模拟退火遗传算法对参数精求解。实验结果表明,算法可以完成多源DEM的无控制匹配,运行效率优于遗传算法,求解精度优于ICP算法。

简介：在分析传统遗传算法和模拟退火算法各自优缺点的基础上，提出把模拟退火算法和传统遗传算法相结合的混和算法．有效避免了两种算法的不足之处，并将该混和模拟退火遗传算法用于非线性的参数估计中。

简介：序列比对是将蛋白质中的基因或氨基酸进行对齐的动作,目的是要找出两序列的相似程度,而多重序列比对则是同时比对多个DNA或蛋白质序列,找出此序列群组中最佳的比对结果.本研究结合遗传算法及模拟退火算法,先利用遗传算法优化种群的概念,随着世代演进逐渐产生近似最佳解,再利用模拟退火算法进行小区块内的比对修正.实验结果显示,利用遗传算法与模拟退火算法的结合,使得遗传算法在跳脱局部最佳解的时候能有更大空间移动,而且也让模拟退火算法能有效解决经由遗传算法初步比对之后所产生的不良区域.两种算法结合的序列比对结果比任何单一算法的结果好,因此可以提升整体比对效果,将来能够为生物学家在判断未知序列功能时提供适当的帮助.

简介：遗传算法具有较强的全局搜索能力,但容易陷入局部最优.把模拟退火算法的思想融入到遗传算法中,在选择、交叉和变异的过程中加入退火过程,并使用改进后的算法求解行程规划问题,实验结果证明设计的算法是有效的.

简介：摘要本文简述了遗传算法的基本原理和特点，以及在各个领域的应用情况。

简介：遗传算法是近些年来产生的一种新算法，它模拟了自然界生物进化过程，属于仿生类算法。它不仅可以解决组合优化问题，也可以解决连续的最优问题。本文从遗传算法的产生背景、基本原理、应用实例及发展方向介绍了遗传算法。

简介：多项式复杂程度的非确定性（NP）问题是一种组合优化问题,模拟退火算法（SA）是其中的一种搜索方法,同其它通用的有效近似算法相比,SA应用的范围较广,运行的效率也较高,还具有描述较简单、能够实现灵活使用的优点。本文首先分析了SA的基本原理,针对TSP问题,我们将SA应用到TSP上,并建立了TSP的数学模型,阐述了利用模拟退火算法解TSP的方法。最后通过实验实现了求解TSP的模拟退火算法。

简介：SMSA（单纯形模拟退火）算法针对单纯形和模拟退火算法的优缺点，将两种算法有机地结合起来，充分利用单纯形算法收敛速度快以及模拟退火算法的随机突跳，不易陷入局部极小点的特性．两种算法结合，互相补充不足，大大提高算法的效率，并削弱了对参数选择的苛刻性．

简介：一、遗传算法的发展遗传算法(GeneticAlgorithms简称GA)是由美国Michigan大学的JohnHolland教授于20世纪60年代末创建的。它来源于达尔文的进化论和孟德尔、摩根的遗传学理论,通过模拟生物进化的机制来构造人工系统。从1985年在美国卡耐基.梅隆大学召开的第一届国际遗传算法会议到1997年5月IEEE的Transactions0nEvo-lutionaryComputation创刊,遗传算法作为具有系统优化、适应和学习的高性能计算和建模方法的研究渐趋成熟。[1]遗传算法是一种自适应全局优化概率搜索算法,主要有以下特点:(1)自组织、自适应和学习性(智能性)。遗传算法消除了算法设计中的一个最大障碍,即需要事先描述问题的全部特点,并要说明针对问题的不同特点算法应采取的措施,因此,它可用来解决复杂的非结构化问题。(2)直接处理的对象是参数的编码集而不是问题参数本身。(3)搜索过程中使用的是基于目标函数值的评价信息,搜索过程既不受优化函数连续性的约束,也没有优化函数必须可导的要求。(4)具有显著的隐并行性。遗传算法按并行方式搜索一个种群数目的点,而不是单点。它的并行性表现在两个方...

简介：遗传算法来源于进化论和群体遗传学,是计算智能的重要组成部分,正受到众多学科的高度重视。本文系统分析了遗传算法的应用研究,并进行了分析和评论

简介：

简介：Web语义搜索结果排序一直是搜索引擎的主要研究课题之一。但是目前通用的算法例如OntoKhoj排序算法和AKTiveRank排序算法的排序结果并不理想,主要原因是排序思路比较片面,公式中的系数很难确定。针对这一问题,我们结合了OntoKhoj算法和AKTiveRank的优势,提出了O＆A算法,并使用遗传算法对O＆A中的系数进行了优化。实验表明,O＆A算法的排序结果要明显优于OntoKhoj排序算法和AKTiveRank排序算法。

简介：TSP是一个典型的组合优化问题,并且是一个NP难题,其可能的路径总数与城市数目n是成指数型增长的,所以一般很难精确地求出其最优解,因而寻找出有效的近似求解算法就具有重要的意义.现提出一种求解TSP问题比较有效的遗传算法,从其数学模型、遗传算子、评估函数、种群多样性等方面对算法进行了分析,结果表明提出的算法在求解TSP问题上是有效的.

简介：研究了一类调度目标是最小化最大完成时间的并行机调度问题。考虑到此问题的NP-hard特性，引入模拟退火算法思想以获取高质量近优解。分析了现有此问题模拟退火算法的缺陷，定义了关键机器和非关键机器，设计了一个包含局部优化的模拟退火算法。除了交换变换，还引入插入变换以改变各子调度中作业个数。大量的随机数据实验用于验证算法解的质量和计算效率，实验结果表明该模拟退火算法能够在有限时间内为大规模问题求得高质量满意解。

简介：摘要：共享单车的快速发展解决了人们出行的最后一公里需求，同时也积极响应了节能减排倡议。然而，过度投放单车导致大量违章停放问题的出现。为解决这一难题，电子围栏技术应运而生。本文采用python数据分析和模拟退火算法相结合的方法，以实现电子围栏选址的最优化。通过深入分析共享单车使用情况和需求点分布等数据，模拟退火算法能够搜索最优的选址方案。关键问题是最大覆盖，即通过p-中心问题选择设施点，使每个需求点得到服务且距离最近的设施点最小。通过科学合理的选址方案，我们能提高共享单车的使用效率，减少违章停放问题，同时也降低企业运营成本，促进共享单车行业的可持续发展。

简介：针对遗传算法求解到一定范围容易产生大量冗余迭代、求解精度低,蚁群算法初期信息素匮乏、求解速度慢的缺陷,在电网规划算法中,将遗传算法与蚁群算法融合,在网架规划初期采用遗传算法求解出最优解,通过最优解生成蚁群算法的初期信息素,确定吸引强度的初始值,建立强度更新的模型,从而得到满足电网规划的最优方案。最后通过18节点的算例证明,融合算法在收敛性与寻优性上均得到提高。

简介：提出了一种基于郭涛算法的聚类算法,在WEKA平台上通过使用Iris数据集和Glass数据集对基于郭涛算法的聚类算法和K-means算法进行对比实验,验证了基于郭涛算法的聚类算法的有效性。

简介：针对传统遗传算法容易出现早熟和收敛速度慢等问题，提出了一种基于改进遗传算法的自动组卷方法，详细介绍改进的遗传算法应用于组卷的步骤，包括编码方案、适应度函数、遗传算子的确定等关键内容。实验结果表明，改进的遗传算法有效地提高了组卷效率。