模擬退火演算法和遺傳演算法的結合
⑴ 請問一下遺傳演算法，模擬退火演算法和遺傳模擬退火演算法的區別，最好能有根據同一個數學問題的matalb程序源代
遺傳演算法全局優化能力較強，模擬退火演算法局部優化能力較強，這是兩者的最大區別。遺傳模擬退火演算法是兩者的混合演算法，綜合了兩者的優點。參考資料中是改進遺傳演算法解決TSP問題的matlab代碼。
一時半會應該是搞不清楚的，你可以買一本智能優化演算法的書來看，詳細了解一下遺傳演算法和模擬退火演算法的原理。
⑵ 請問如何學好遺傳演算法跟模模擬退火演算法，以及如何用MATLAB實現。
我以前是自己編寫的模擬退火演算法程序，然後用於實現。遺傳演算法使用的遺傳演算法工回具性，是設菲爾德答大學編寫的，可以下下來看看，是在MATLAB環境下應用的，直接拿來調用就可以了。建議你好好看看模擬退火演算法和遺傳演算法的論文，多列印一些咬牙看個七八天就明白了！然後MATLAB編程！我就是這樣做的。祝好運！
⑶ 模擬退火演算法、遺傳演算法、蟻群演算法、粒子群演算法就演算法復雜度和難度來講哪個要容易一點急！！！！
粒子群比較簡單，也好入門。
就兩個公式。
我這有個現成的，你運行，看看，分析分析就會了。
⑷ 遺傳演算法和模擬退火演算法結合神經網路，進行故障診斷和數據預測，這種思路的Matlab程序，高分求助
可以用GA來優化BP網路的初始權值，再用SA來訓練網路。也可直接將兩種演算法融合。具體看你想怎麼做。附件是一個基於Matlab的SA/GA融合程序，和你的要求不同，但是可以參考。
模擬退火演算法來源於固體退火原理，將固體加溫至充分高，再讓其徐徐冷卻，加溫時，固體內部粒子隨溫升變為無序狀，內能增大，而徐徐冷卻時粒子漸趨有序，在每個溫度都達到平衡態，最後在常溫時達到基態，內能減為最小。
⑸ 模擬退火和遺傳演算法都可以解決什麼問題啊
模擬退火演算法和遺傳演算法，包括禁忌搜索演算法，蟻群演算法等都可以用來版求解優化問題。權這些演算法的一個特點是雖然對於一些復雜問題，比如說DP難題，可能不好找到最優解（理論上找到最優解是可以的），但是可以以較高的效率找到滿意解。
查看原帖>>
⑹ 模擬退火法（SA）和遺傳演算法(GA)的專業解釋
n局部搜索，模擬退火，遺傳演算法，禁忌搜索的形象比喻：
為了找出地球上最高的山，一群有志氣的兔子們開始想辦法。
1．兔子朝著比現在高的地方跳去。他們找到了不遠處的最高山峰。但是這座山不一定是珠穆朗瑪峰。這就是局部搜索，它不能保證局部最優值就是全局最優值。
2．兔子喝醉了。他隨機地跳了很長時間。這期間，它可能走向高處，也可能踏入平地。但是，他漸漸清醒了並朝最高方向跳去。這就是模擬退火。
3．兔子們吃了失憶葯片，並被發射到太空，然後隨機落到了地球上的某些地方。他們不知道自己的使命是什麼。但是，如果你過幾年就殺死一部分海拔低的兔子，多產的兔子們自己就會找到珠穆朗瑪峰。這就是遺傳演算法。
4.兔子們知道一個兔的力量是渺小的。他們互相轉告著，哪裡的山已經找過，並且找過的每一座山他們都留下一隻兔子做記號。他們制定了下一步去哪裡尋找的策略。這就是禁忌搜索。
⑺ 比較模擬退火演算法和遺傳演算法相同點和不同點
模擬退火的話進化是由參數問題t控制的，然後通過一定的操作產生新的解，根據當前解的優劣和溫度參數t確定是否接受當前的新解。
遺傳演算法主要由選擇，交叉，變異等操作組成，通過種群進行進化。
主要不同點是模擬退火是採用單個個體進行進化，遺傳演算法是採用種群進行進化。模擬退火一般新解優於當前解才接受新解，並且還需要通過溫度參數t進行選擇，並通過變異操作產生新個體。而遺傳演算法新解是通過選擇操作進行選擇個體，並通過交叉和變異產生新個體。
相同點是都採用進化控制優化的過程。
⑻ 我想問一下 遺傳演算法與模擬退火演算法相結合的排課系統實現代碼
說實話找完整的代碼還是比較難的，因為一般都會保密，分享出來內的很少。
不過可以到容pudn程序員聯合開發網上去找找。
鏈接：http://www.pudn.com/downloads104/sourcecode/java/detail428124.html
⑼ 遺傳演算法、數值演算法、爬山演算法、模擬退火 各自的優缺點
遺傳演算法：其優點是能很好地處理約束，跳出局部最優，最終得到全局最優解。缺點是收斂速度慢，局部搜索能力弱，運行時間長，容易受到參數的影響。
模擬退火：具有局部搜索能力強、運行時間短的優點。缺點是全局搜索能力差，容易受到參數的影響。
爬山演算法：顯然爬山演算法簡單、效率高，但在處理多約束大規模問題時，往往不能得到較好的解決方案。
數值演算法：這個數值演算法的含義太寬泛了，指的是哪種數值演算法，陣列演算法與爬山演算法一樣，各有優缺點。
(9)模擬退火演算法和遺傳演算法的結合擴展閱讀：
注意事項：
遺傳演算法的機制比較復雜，在Matlab中已經用工具箱中的命令進行了打包，通過調用可以非常方便的使用遺傳演算法。
函數GA：［x，Fval，reason］＝GA（＠fitnessfun，Nvars，options）x為最優解，Fval為最優值，＠Fitnessness為目標函數，Nvars為自變數個數，options為其他屬性設置。系統的默認值是最小值，所以函數文檔中應該加上一個減號。
要設置選項，您需要以下函數：options＝GaOptimset（＇PropertyName1＇，＇PropertyValue1＇，＇PropertyName2＇，＇PropertyName3＇，＇PropertyValue3＇…）通過該函數，可以確定一些遺傳演算法的參數。