数学建模-作业排序模拟退火算法影响因素分析和一种多次淬火模拟退火法.zip

鉴于标准粒子群优化算法易陷入局部最优、收敛精度低,我们提出了一种改进的基于模拟退火的粒子群算法(NPSO)。将模拟退火算法的思想引入粒子群算法中,并对更新公式进行简化;提出了一种自适应随机惯性权重,实现了自适应平衡局部搜索和全局搜索的能力;提出了“优胜劣汰”的更新机制,加快了算法的收敛速度。与其它几种粒子群算法在4个基准测试函数上的实验比较,实验研究表明,NPSO算法的性能很好。

介绍模拟退火前，先介绍爬山算法。爬山算法是一种简单的贪心搜索算法，该算法每次从当前解的临近解空间中选择一个最优解作为当前解，直到达到一个局部最优解。 爬山算法实现很简单，其主要缺点是会陷入局部最优解，而不一定能搜索到全局最优解。如图1所示：假设C点为当前解，爬山算法搜索到A点这个局部最优解就会停止搜索，因为在A点无论向那个方向小幅度移动都不能得到更优的解。

模拟退火算法是一种强大的随机搜索算法, 能应用于许多前提信息很少的问题, 能渐进地收敛于最优值。对 SA算法进行了介绍, 论述了SA算法的原理并对算法进行了改进, 展示了计算实验的结果

【优化选址】基于模拟退火结合粒子群算法求解分布式电源定容选址问题matlab源码.pdf

比较有用的程序,在求解0--1背包问题,用matlab来编写程序.

编写模拟退火法，实现对于线性规划问题的求解

模拟退火 在本练习中，我们将实现几种本地搜索算法，并在数十个美国州首府之间的“旅行推销员问题”（TSP）上对其进行测试。 特别是，我们将专注于模拟退火算法，该算法是允许某些下坡运动的随机爬山的一种形式。 在退火计划的早期阶段，人们很容易接受下坡运动，然后随着时间的推移，下坡运动的频率降低。 时间表输入确定温度T的值作为时间的函数。

对Matlab中的遗传算法工具箱进行改进而得到的遗传退火进化算法。可用于一般的最优化问题，求解无约束的或带有线性约束的连续函数的全局最小值。首先对传统的遗传算法和模拟退火算法进行改进，然后将模拟退火算法引入了遗传算法，结合两种算法的优点，得到一种新的遗传退火进化算法。它不但实现了遗传算法的全局搜索能力与模拟退火算法的局部搜索能力的结合，同时可使改进后的模拟退火算法能够充分利用遗传算法所得的全局信息。经验证，改算法能使遗传算法避免产生早熟收敛，增强了算法的全局收敛性，而且加快了算法的收敛速度。该算法的使用方法与遗传算法相似，可参考matlab遗传算法的帮助文档。区别在于不能含有非线性约束。使用格式：[x, fval] = ga_nn(fitnessfcn,nvars,A,b,Aeq,beq,LB,UB,options)其中的options可以使用gatool设置后导出，也可以使用压缩包中附带的gaoptions.mat导入。

模拟退火算法的改进，总结了模拟算法的各种改进算法，很强大