十大算法模擬退火79408

GeneticAnnealingAlgorithmanditsQingminSchoolofmanagement,TianjinUniversity,Tianjin300072Abstract—Tosolvelocalminimaandlowefficiency)raditionalgeneticalgorithm,genetic-GeneticAnnealingAlgorithmanditsQingminSchoolofmanagement,TianjinUniversity,Tianjin300072Abstract—Tosolvelocalminimaandlowefficiency)raditionalgeneticalgorithm,genetic-andgetsglobalKeywords—geneticalgorithm,simulated管理學(xué)摘要針對傳統(tǒng)遺傳算法在進(jìn)化末期易收斂強(qiáng)計算精度和全局收斂性方面具有改善作用和效率低的問題，建立遺傳退火整合算法，并應(yīng)用實例驗證了新方法在遺傳算法，模擬退火，整合優(yōu)1．引遺傳算法(GeneticAlgorithm,GA)是將遺傳算法與模擬退火技相結(jié)合，建立遺傳退火MichiganGAA性能進(jìn)行了驗證學(xué)的Hdbg在遺傳算法中，為了保證能夠達(dá)到全局收斂，必須2.傳統(tǒng)算法及其優(yōu)缺在介紹GAA首先對兩種傳統(tǒng)算法的優(yōu)缺點行分析。然后互相取長補(bǔ)短，把遺傳算法進(jìn)化得到的優(yōu)作為初值，再調(diào)用模擬退火技術(shù)進(jìn)行詳細(xì)搜索代替差，最后進(jìn)循環(huán)，搜尋全局最優(yōu)解。從而（GAA機(jī)化搜群體中有足夠多的不為了加快算法的收斂速度，又必須使群體中盡快最優(yōu)解方向靠攏，不可避免地降低種群的多樣性，從而大種群過早收斂的可能。因此上算法在應(yīng)用方面存在一定缺現(xiàn)象導(dǎo)致傳統(tǒng)遺可能只是局部最優(yōu)解遺傳算法將問題域中的可能解看作是群體或編色體，把每一個可能解看成種群，將每成符號串形式，模的遺傳選擇和自然淘汰的生因此，對遺傳算法及其應(yīng)用多集中于如何改進(jìn)化過程，對群體反復(fù)進(jìn)行基于遺傳學(xué)的操作（選擇、制、交叉、變異等據(jù)預(yù)定的評估策略（或目標(biāo)適應(yīng)傳統(tǒng)的遺傳算法。近年來，模擬退火（SimulatedAnnealing簡稱SA）被引入到遺傳算法中，以提高全局搜索能力和收本文就是在分析遺傳算法和模擬退火優(yōu)缺點基礎(chǔ)上函數(shù)）對進(jìn)行評價，依據(jù)適者生存、優(yōu)勝劣汰進(jìn)化規(guī)則，不斷得到更優(yōu)的群體，同時以全局并行搜索式來搜索優(yōu)化群體中的最，使問題的解不斷進(jìn)化求得滿足要求的最優(yōu)解模擬退火法是由Metropolis等人提出，由等拓展的一種隨機(jī)搜索近似算法。模擬退火算法來源于提高，使得GAA整合計求得滿足要求的最優(yōu)解模擬退火法是由Metropolis等人提出，由等拓展的一種隨機(jī)搜索近似算法。模擬退火算法來源于提高，使得GAA整合計算成為可能，并且可以獲得近似體退火原理：將固體加溫至充分高，再讓冷卻，在常溫時達(dá)到基態(tài)，內(nèi)能減為最小。根據(jù)Metropolis準(zhǔn)則，中E為溫T時的內(nèi)能，ΔE為其改變量，kBoltzmann標(biāo)函數(shù)值f，溫度T演化成控制參數(shù)t，即得到解組合優(yōu)化問題的模擬退火算法：由初始解i和控制參數(shù)初值t開始，對當(dāng)前解重生新解→計算目標(biāo)函數(shù)差→接受或舍的迭代，并逐步衰減t值，算法終止時的當(dāng)前解即為所性。GAA整合算法在遺傳算法中引入退選，在進(jìn)化初期溫控參數(shù)較高，溫控參數(shù)Ｔ取的較大，接近隨機(jī)搜索，可以保留群體之間較大的差異，較也有機(jī)會生存下來。隨著進(jìn)化的進(jìn)行，溫控參數(shù)降低，只較好的子代才能生存，較差的子被淘汰，可以加他的子種群的進(jìn)化，這樣做可以選取和保留每個子種群近似最優(yōu)解，這是基迭代求解法的一種啟發(fā)優(yōu)，隨著進(jìn)化過程的進(jìn)行，溫度逐漸下降，接收數(shù)的初值ttL停止條件S。為了擴(kuò)大遺傳算法的應(yīng)用范圍，減少運算時間，提 （GAA質(zhì)解的概率保持進(jìn)化穩(wěn)定性的同時加快進(jìn)化速度，避免單種群進(jìn)化過程中過早收斂現(xiàn)象GAA整合算法具體思路見圖1所示初始2．遺傳退火整合算法（GAA）描在自然進(jìn)化過程中，大量物種協(xié)同進(jìn)化，同時在同是否達(dá)到最大迭代次物種內(nèi)部，也存在著大的自然選擇、交突變。自然界的進(jìn)化本身就是一個整合優(yōu)化過程。GAA整合GAA在傳統(tǒng)模擬退火法中引進(jìn)了群體概念，把每次結(jié)束(得最優(yōu)解1GAA整合算選擇最優(yōu)解：找出N個子群中各自最 的總體最優(yōu)解.判斷決策是否滿足評價標(biāo)準(zhǔn)變異交叉繁殖 按照變異率Pm,由一個滿足特定冷卻線的溫度T控制，并建立基于模擬退火罰函數(shù)的機(jī)交叉繁殖隨機(jī)選擇 Xm,X比較擬和高者按交叉率P繁殖新 Xm′Xn′計算目標(biāo)函數(shù)E(Xm′),EXn′)若in{1,exp[-(E(Xm′)EXm)k·F]}>random0,1)則繁殖 選擇和評價評價每個子種群中各 的目標(biāo)函數(shù)(j)j…T+=T設(shè)置模擬退火算法中的初試溫度F和收斂率0<k<1;溫度i1=k*Ti逐步減低,下標(biāo)i表示第i代 隨機(jī)產(chǎn)生第一代初始群體（N個），每群體有L個 變量），最大進(jìn)化迭代次數(shù)S次,對第一代 法相比較，遺傳退火整合算法性能更可靠，收斂速度更高3．應(yīng)用分為驗證GAA的具體性能（GA擬退火（SA）以及遺傳退火整合算法（GAA）三種方法參考文別求解一個二元函數(shù)的極小二元函數(shù)具體的數(shù)學(xué)表達(dá)式以及限定條件minA.R.BabuandN.R.Babu,“Effectivenestingofultiple法相比較，遺傳退火整合算法性能更可靠，收斂速度更高3．應(yīng)用分為驗證GAA的具體性能（GA擬退火（SA）以及遺傳退火整合算法（GAA）三種方法參考文別求解一個二元函數(shù)的極小二元函數(shù)具體的數(shù)學(xué)表達(dá)式以及限定條件minA.R.BabuandN.R.Babu,“Effectivenestingofultiplerectangularsheetsusinggeneticno.7,pp.1625-1643,)2(1x2f212.048xi為了形象起見，f函數(shù)的近似圖形如圖2100*(x*x-y)*(x*x-y)+(1-x*x)*(1-PotentialwithDiscontinuousGradientandanAdaptiveBeijing:PekingUniversityPress,1999.pp.15-druruetal,”Hybridoptimizationmethodsgeophysical1196-1207,”.Geophysica,vol.62,no.4,吳,,劉建立.基于遺傳算法的模擬水管理模型.中國科學(xué)（E輯）vol數(shù)方法no.5,pp.474-480,紅,.模擬退火法和遺傳算法聯(lián)合-----05-0pp.70-74,015122函數(shù)f形態(tài),,.皮料優(yōu)化排樣的有效方法..遺傳算法和模擬退火相結(jié)合的并行實現(xiàn)從圖2中可知，函數(shù)具有多個局部極小點，而且最點由于采用搜索方法的差異可能產(chǎn)生不同