模拟退火算法和遗传算法的结合
⑴ 请问一下遗传算法，模拟退火算法和遗传模拟退火算法的区别，最好能有根据同一个数学问题的matalb程序源代
遗传算法全局优化能力较强，模拟退火算法局部优化能力较强，这是两者的最大区别。遗传模拟退火算法是两者的混合算法，综合了两者的优点。参考资料中是改进遗传算法解决TSP问题的matlab代码。
一时半会应该是搞不清楚的，你可以买一本智能优化算法的书来看，详细了解一下遗传算法和模拟退火算法的原理。
⑵ 请问如何学好遗传算法跟模模拟退火算法，以及如何用MATLAB实现。
我以前是自己编写的模拟退火算法程序，然后用于实现。遗传算法使用的遗传算法工回具性，是设菲尔德答大学编写的，可以下下来看看，是在MATLAB环境下应用的，直接拿来调用就可以了。建议你好好看看模拟退火算法和遗传算法的论文，多打印一些咬牙看个七八天就明白了！然后MATLAB编程！我就是这样做的。祝好运！
⑶ 模拟退火算法、遗传算法、蚁群算法、粒子群算法就算法复杂度和难度来讲哪个要容易一点急！！！！
粒子群比较简单，也好入门。
就两个公式。
我这有个现成的，你运行，看看，分析分析就会了。
⑷ 遗传算法和模拟退火算法结合神经网络，进行故障诊断和数据预测，这种思路的Matlab程序，高分求助
可以用GA来优化BP网络的初始权值，再用SA来训练网络。也可直接将两种算法融合。具体看你想怎么做。附件是一个基于Matlab的SA/GA融合程序，和你的要求不同，但是可以参考。
模拟退火算法来源于固体退火原理，将固体加温至充分高，再让其徐徐冷却，加温时，固体内部粒子随温升变为无序状，内能增大，而徐徐冷却时粒子渐趋有序，在每个温度都达到平衡态，最后在常温时达到基态，内能减为最小。
⑸ 模拟退火和遗传算法都可以解决什么问题啊
模拟退火算法和遗传算法，包括禁忌搜索算法，蚁群算法等都可以用来版求解优化问题。权这些算法的一个特点是虽然对于一些复杂问题，比如说DP难题，可能不好找到最优解（理论上找到最优解是可以的），但是可以以较高的效率找到满意解。
查看原帖>>
⑹ 模拟退火法（SA）和遗传算法(GA)的专业解释
n局部搜索，模拟退火，遗传算法，禁忌搜索的形象比喻：
为了找出地球上最高的山，一群有志气的兔子们开始想办法。
1．兔子朝着比现在高的地方跳去。他们找到了不远处的最高山峰。但是这座山不一定是珠穆朗玛峰。这就是局部搜索，它不能保证局部最优值就是全局最优值。
2．兔子喝醉了。他随机地跳了很长时间。这期间，它可能走向高处，也可能踏入平地。但是，他渐渐清醒了并朝最高方向跳去。这就是模拟退火。
3．兔子们吃了失忆药片，并被发射到太空，然后随机落到了地球上的某些地方。他们不知道自己的使命是什么。但是，如果你过几年就杀死一部分海拔低的兔子，多产的兔子们自己就会找到珠穆朗玛峰。这就是遗传算法。
4.兔子们知道一个兔的力量是渺小的。他们互相转告着，哪里的山已经找过，并且找过的每一座山他们都留下一只兔子做记号。他们制定了下一步去哪里寻找的策略。这就是禁忌搜索。
⑺ 比较模拟退火算法和遗传算法相同点和不同点
模拟退火的话进化是由参数问题t控制的，然后通过一定的操作产生新的解，根据当前解的优劣和温度参数t确定是否接受当前的新解。
遗传算法主要由选择，交叉，变异等操作组成，通过种群进行进化。
主要不同点是模拟退火是采用单个个体进行进化，遗传算法是采用种群进行进化。模拟退火一般新解优于当前解才接受新解，并且还需要通过温度参数t进行选择，并通过变异操作产生新个体。而遗传算法新解是通过选择操作进行选择个体，并通过交叉和变异产生新个体。
相同点是都采用进化控制优化的过程。
⑻ 我想问一下 遗传算法与模拟退火算法相结合的排课系统实现代码
说实话找完整的代码还是比较难的，因为一般都会保密，分享出来内的很少。
不过可以到容pudn程序员联合开发网上去找找。
链接：http://www.pudn.com/downloads104/sourcecode/java/detail428124.html
⑼ 遗传算法、数值算法、爬山算法、模拟退火 各自的优缺点
遗传算法：其优点是能很好地处理约束，跳出局部最优，最终得到全局最优解。缺点是收敛速度慢，局部搜索能力弱，运行时间长，容易受到参数的影响。
模拟退火：具有局部搜索能力强、运行时间短的优点。缺点是全局搜索能力差，容易受到参数的影响。
爬山算法：显然爬山算法简单、效率高，但在处理多约束大规模问题时，往往不能得到较好的解决方案。
数值算法：这个数值算法的含义太宽泛了，指的是哪种数值算法，阵列算法与爬山算法一样，各有优缺点。
(9)模拟退火算法和遗传算法的结合扩展阅读：
注意事项：
遗传算法的机制比较复杂，在Matlab中已经用工具箱中的命令进行了打包，通过调用可以非常方便的使用遗传算法。
函数GA：［x，Fval，reason］＝GA（＠fitnessfun，Nvars，options）x为最优解，Fval为最优值，＠Fitnessness为目标函数，Nvars为自变量个数，options为其他属性设置。系统的默认值是最小值，所以函数文档中应该加上一个减号。
要设置选项，您需要以下函数：options＝GaOptimset（＇PropertyName1＇，＇PropertyValue1＇，＇PropertyName2＇，＇PropertyName3＇，＇PropertyValue3＇…）通过该函数，可以确定一些遗传算法的参数。