文档介绍：混合遗传算法与模拟退火法田东平迟洪钦(上海师范大学数理信息学院,上海200234)E-mail:tdp211C~摘要论文将适合全局搜索的遗传算法(GA)和适合局部搜索的模拟退火算法(SA)~n结合,提出了混合GA—SA计算方法。一方面,算法采用混沌初始化,提高了初始群体的质量;另一方面,算法采用Gray编码以及动态自适应调节交叉概率和变异概率,提高了收敛速度,并有效防止种群早熟现象。实例验证了该算法的可行性和有效性。关键词遗传算法模拟退火算法混沌初始化Gray编码文章编号1002—8331-(2006)22—0063—(MathematicsandSciencesCollege,ShanghaiNormalUniversity,Shanghai200234)Abstract:ThispaperputsforwardhybridGA-icAlgorithm(GA)andSimulatedAnnealing(SA)together,,Ontheonehand,,Graycodinganddynamicadaptiveprobabilityofcrossoverandmutationareadopted,—:icAlgorithm(GA),SimulatedAnnealing(SA),chaosintialization,Graycodingl引言遗传算法I1(GA)是模拟生物在自然环境中的遗传和进化过程而形成的一种自适应全局优化概率搜索算法。由于该算法采用随机选择,对搜索空间无特殊要求,无需求导,具有运算简单、。它是一种全局搜索能力很强而局部搜索能力不足的算法。。,自动控制,神经网络,图像处理等。研究发现,GA可以用极快的速度达到最优解的90%。模拟退火算法[2t(SA)是局部搜索算法的扩展。它不同于局部搜索之处是以一定的概率选择领域中费用值大的状态。,并广泛应用于组合优化问题。理论上说,SA在初始温度足够高、。,—SA算法。—,表明了该算法的可行性和有效性。(GA)遗传算法是20世纪70年代初发展起来的一种自适应全局优化概率搜索算法。它模拟自然进化过程来搜索问题的最优解,并广泛应用于许多学科领域。GA进行问题求解时,:构造和应用适应度函数,适应度函数基本上依据优化问题的目标函数而定。,哪些个体被淘汰。生存下来的个体组成可以繁衍下一代群体的新的种群;通过Reproduction—Crossover—。算法的求解过程如下:步骤1选择问题的一个编码;给出一个有Ⅳ个染色体的初始群体pop(1),t:=1;步骤2对群体Pop(￡)中的每一个染色体pop.(￡)计算它的适应函数fitness(Pop(t));;:1,2?,Ⅳ∑。并以此概率分布