优化算法在很多邻域都有很大的用处 本程序主要是实现遗传算法和模拟退火算法结合的程序 希望对读者有用······

　《非数值并行算法》内容包括:模拟退火算法、并行模拟退火算法、渐进收敛法、冷却进度表、模拟退火算法的应用、改进合变异、boltzmann机及其在组合优化中的应用。 　　

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。

基于模拟退火的聚类算法及实现方法 文档超详细介绍 文档有流程图和MATLAB编写的实现代码

基于MATLAB的模拟退火算法的实现.doc

将模拟退火（SA） 思想用于求解蛋白质结构预测问题，并在此基础上提出了两个提高解的质量和加快收敛速度的改进策略，计算结果表明改进后的SA 算法的计算效率优于目前常用的遗传算法和Monte Carlo 方法。

D2D 通信是未来5G 网络中一种近距离直通通信方式，在通信过程中，信息直接由发送端传给接收用户，而不需要经过基站的转发。在传统蜂窝网络中引入D2D通信可以极大地提升系统的总吞吐量、增大频谱资源的利用率以及降低发射终端的功耗。主要介绍了一种适用于混合D2D蜂窝网络中的资源分配方法，通过拉格朗日乘子法结合模拟退火算法实现频谱资源的分配，提出一种同时考虑信道容量和能耗的基于模拟退火算法的资源调度策略。本算法在维也纳仿真平台上经仿真验证，相比于传统贪婪优化算法，可以明显增大系统总吞吐量和频谱资源利用率。另外，算法中采用了分布式资源调度方法，D2D 用户根据算法步骤自行搜索适合的目标信道并计算其发射功率，可以有效减少基站的信令开销。

针对模式识别时原始特征数量大而有冗余的现象，提出了一种基于遗传退火算法的特征选优方法，首先对遗传算法和模拟退火做了简要评论，然后在遗传算法中引入模拟退火的 Boltzmann 更新机制，以克服传统的遗传算法易于过早收敛和易于陷入局部极小的问题，最后阐述、设计了适应度函数和遗传算子。仿真实验表明，该方法在求解的效率和解的质量方面都达到了令人满意的效果。

【装配线调度】基于遗传算法混合模拟退火算法求解带约束的流水线调度问题matlab源码.md

模拟娱乐程序matlab保存代码ORPS 智能电网住宅用电调度优化方法[J]. 最优住宅电力调度是一种解决日前电力市场中以聚合器为代表的一组住宅用户的优化问题的方法。 消费者拥有由聚合器集中调度的可控和不可控设备。 他们也有与他们的设备相关的时间偏好（约束）。 我们考虑决策的峰值定价模型（目标函数要最小化）。 所提出的方法由特定问题的构造算法、模拟退火 (SA) 细化方法和优化后局部搜索组成。 您将需要 Matlab 来使用/测试它。 你必须在 main.m 代码的开头设置一些参数： 实例组 • N = [n_1 n_2 .... n_L]：如果要生成L个实例，必须定义每个实例的消费者数量。 例如，向量 N = [2 5 10] 定义了一个包含三个实例的组，每个实例有 2、5 和 10 个消费者。 如果要加载现有实例，可以将其留空 (N = [ ])。 数据将基于来自 [1] 的西班牙消费者生成。 您可以在“GenerateData.m”文件中更改消费者的参数； 实例生成 • generateInstance = true/false：如果你想生成一个新的实例，设置它为真，如果你想加载