基于启发式模拟退火的多边形近似算法

将曲线多边形近似问题转换为最小化代价函数的问题,利用模拟退火算法对其求解最优解,并采用启发式方法将曲线的局部特征作为先验知识引入退火过程加速其收敛。通过实验比较表明,该方法在数据压缩率和近似误差等方面具有更好的性能,且压缩了运行时间。     

考虑机场位置与航线流量影响的航空网络防御资源优化策略

传统复杂网络领域对网络防御问题的研究未考虑影响航空网络防御资源配置的主要因素,为此提出 一种考虑机场位置、航线流量等因素的基于航空网络实际的防御策略,来降低网络风险。首先,利用节点脆弱 性减少模型确定不同类型防御资源防御量与节点防御能力的函数关系;然后,对传统的重要度评价矩阵做出改 进,考虑航线流量、机场位置等影响航空网络防御资源配置的因素对节点进行重要度排序,并分析节点与整个 航空网络风险的关系;最后,在总防御资源量一定的情况下,利用模拟退火算法对各个节点配置的防御资源量 进行求解,使得网络总风险最小。通过对随机生成网络与中国航空网络的实验发现,该优化策略在分配防御资 源时,能够区分机场节点位置和流量的差异,相比于传统方法能够有效降低网络总风险。     

基于神经网络的电磁干扰的预测

提出了一种应用神经网络预测电磁干扰的方法.针对遗传算法总体搜索能力较强但容易陷入局部最优,而模拟退火算法具有较强的局部搜索能力,又能避免搜索陷入局部最优解的特点,将模拟退火算法与遗传算法相结合,优化多层前馈(BP,Back Propagation)神经网络,获取最优的权值和阈值,并采用模拟退火的思想确定隐含层神经元的个数,进而建立基于神经网络的电磁干扰预测模型.以双平行导线间的电磁干扰问题为实例,明确干扰要素,建立训练样本和测试样本,对比期望输出和预测输出之间的误差,结果表明该方法可以准确有效地进行电磁干扰预测.     

基于改进遗传算法的燃气轮机自适应建模

综合运用了一种改进的遗传算法和自适应建模技术对燃气轮机的精确特性进行寻优获取.引入自适应机制优化交叉和变异算子,同时引入模拟退火算法,使改进遗传算法能很快接近最优解,并能跳出局部最优的陷阱,在保证解的质量的同时提高了收敛的速度.针对以往自适应模型中未考虑测量参数间的线性相关性和不同的传感器测量精度对目标函数的影响等问题,采用加权方法建立了较为完备的燃气轮机自适应数学模型,应用改进遗传算法获取燃气轮机部件的精确特性,实例计算结果表明:模拟退化改进遗传算法进行的自适应建模效果更好.      

智能优化算法在飞机总体设计中的应用

飞机总体设计在飞机的整个设计过程中是非常关键的步骤,在这个过程中,飞机的总体布局和许多重要参数都被确定下来。但是,飞机的总体设计又是一个复杂和艰难的过程,因为涉及到大型系统的有约束的非线性优化问题,用传统优化方法很难得到满意的结果。本文采用了近年来发展很快的几种智能优化算法--遗传算法、模拟退火算法、禁忌搜索算法、Hopfield神经网络算法解决飞机总体设计优化问题,阐述了各算法的关键步骤及运行过程,并编写了相应的计算程序。通过对各种算法的结果进行比较和讨论,最后的结论是：模拟退火算法最适合求解这类复杂的约束非线性优化问题,禁忌搜索算法和遗传算法次之,Hopfield神经网络算法效果最差,容易陷入局部最优解。     

PSO选星算法参数分析与改进

多星座组合导航提供更多的可用卫星,但也增大接收机计算复杂度,选取部分可见星代替全部可见星进行接收机位置解算成为选星算法研究的热点。粒子群优化（PSO）选星算法将PSO算法引入到选星过程中,该方法能够减少选星时间,实现北斗/GPS组合星座快速选星。研究了该算法的关键参数包括惯性权重因子、加速系数、种群大小等对PSO选星算法性能的影响,并针对搜索过程容易陷入局部最优问题,提出自适应模拟退火粒子群优化（ASAPSO）选星算法,该算法通过引入随适应值大小自适应调整进化参数及结合模拟退火算法调整粒子速度,以增强算法跳出局部极值的能力。采用实际数据对算法进行验证,结果表明:ASAPSO选星算法在保证选星时间的同时,能够提高算法搜索结果的准确性,其性能优于PSO选星算法。      

基于快速模拟退火的组合聚类算法

应用模拟退火算法解决组合聚类问题有两方面,一是有效利用基础聚类作为先验信息,以获得尽可能好的组合聚类结果;二是降低模拟退火过程的随机性,提高算法收敛速度。针对这2个问题,提出了基于投票的快速模拟退火（BV-RSA）模型。该模型利用基础聚类对样本划分的完全或部分一致性作为启发信息,构建超点集合和超点投票箱,由超点取代其代表的样本子集参与退火过程,超点运动方向在投票箱范围内随机选择,降低了超点运动随机性,加速了组合聚类过程。数据集实验表明,BV-RSA模型在聚类精度和鲁棒性方面表现良好。      

基于混合多智能体遗传算法的作业车间调度问题研究

针对作业车间调度问题(JSP)的非确定性多项式特性与解空间分布的大山谷属性,本文提出一种多智能体遗传算法(MAGA)与自适应模拟退火算法(ASA)的混合优化算法,用于寻找最大完工时间最短的调度。首先,将每个染色体视作独立的智能体并采用工序编码方式随机初始化每个智能体,结合多智能体协作与竞争理论设计了实现智能体之间交互作用的邻居交互算子,进而利用一定数量智能体进行全局搜索,找到多个适应度较高的可行解。其次,为避免算法陷入局部最优,采用ASA对每个智能体开展局部寻优。最后,通过基准测试库中典型实例的计算结果验证了该算法的有效性。     

基于模拟退火的改进粒子群算法研究及应用

为加快粒子群算法效率,跳出局部最优陷阱,得到高精度最优解,文章提出了基于模拟退火的带收缩因子的粒子群混合算法(SACPSO)。首先,对混合优化算法进行了分析;然后,对混合算法进行函数数值仿真;最后,将SACPSO算法应用于PID参数整定问题。结果表明,改进粒子群算法的稳定性和搜索精度有了明显提高,收敛速度明显加快;在PID参数整定应用上,同传统方法相比,系统稳定,收敛性能好。     

航海光纤惯导缓冲基座结构参数优化

针对航海光纤惯导用缓冲基座的几何参数进行优化设计,使冲击试验前后由于缓冲杆复位误差和球铰磨损误差造成的动平台位姿变化最小,复位精度最优。首先,介绍缓冲基座的结构和复位精度的概念;之后,建立复位精度的模型,确定复位精度与缓冲杆复位误差和球铰磨损误差的关系;然后,根据复位精度模型,确定目标函数和设计变量,将结构优化问题转变为数值优化问题;最后,用模拟退火算法解决优化问题,并将优化结果与拟牛顿方法和步长加速法分别求解得到的结果进行对比,选取模拟退火算法为最优方法。在球铰磨损误差限定为±0.01mm以内,缓冲杆复位精度误差限定为±0.05mm以内时,复位精度优于33.18″。