1樓：晨光
模擬退火來自冶金學的專有名詞退火，退火是將材料加熱後再經特定速率冷卻，目的是增大晶粒的體積，並且減少晶格中的缺陷。材料中的原子原來會停留在使內能有區域性最小值的位置，加熱使能量變大，原子會離開原來位置，而隨機在其他位置中移動。退火冷卻時速度較慢，使得原子有較多可能可以找到內能比原先更低的位置。
模擬退火的原理也和金屬退火的原理近似：將熱力學的理論套用到統計學上，將搜尋空間內每一點想像成空氣內的分子；分子的能量，就是它本身的動能；而搜尋空間內的每一點，也像空氣分子一樣帶有「能量」，以表示該點對命題的合適程度。演演算法先以搜尋空間內一個任意點作起始：
每一步先選擇一個「鄰居」，然後再計算從現有位置到達「鄰居」的概率。
遺傳演算法（genetic algorithm）是一類借鑑生物界的進化規律（適者生存，優勝劣汰遺傳機制）演化而來的隨機化搜尋方法。它是由美國的教授2023年首先提出，其主要特點是直接對結構物件進行操作，不存在求導和函式連續性的限定；具有內在的隱並行性和更好的全域性尋優能力；採用概率化的尋優方法，能自動獲取和指導優化的搜尋空間，自適應地調整搜尋方向，不需要確定的規則。
2樓：匿名使用者
n區域性搜尋，模擬退火，遺傳演算法，禁忌搜尋的形象比喻：
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。這就是區域性搜尋，它不能保證區域性最優值就是全域性最優值。
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．兔子們吃了失憶藥片，並被髮射到太空，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，**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**尋找的策略。這就是禁忌搜尋。
比較模擬退火演算法和遺傳演算法相同點和不同點
3樓：匿名使用者
模擬退火的話進化是由引數問題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引數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引數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。
模擬退火和遺傳演算法都可以解決什麼問題啊
4樓：匿名使用者
模擬退火演算法和遺傳演算法，包括禁忌搜尋演算法，蟻群演算法等都可以用來求解優化問題。這些演算法的一個特點是雖然對於一些複雜問題，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。
5樓：匿名使用者
各種優化呀~~~一般優化問題都能解決………
遺傳演算法的優缺點？
6樓：雨說情感
優點：1、遺傳演算法是以決策變數的編碼作為運算物件，可以直接對集合、序列、矩陣、樹、圖等結構物件進行操作。這樣的方式一方面有助於模擬生物的基因、染色體和遺傳進化的過程，方便遺傳操作運算元的運用。
另一方面也使得遺傳演算法具有廣泛的應用領域，如函式優化、生產排程、自動控制、影象處理、機器學習、資料探勘等領域。
2、遺傳演算法直接以目標函式值作為搜尋資訊。它僅僅使用適應度函式值來度量個體的優良程度，不涉及目標函式值求導求微分的過程。因為在現實中很多目標函式是很難求導的，甚至是不存在導數的，所以這一點也使得遺傳演算法顯示出高度的優越性。
3、遺傳演算法具有群體搜尋的特性。它的搜尋過程是從一個具有多個個體的初始群體p(0)開始的，一方面可以有效地避免搜尋一些不必搜尋的點。
另一方面由於傳統的單點搜尋方法在對多峰分佈的搜尋空間進行搜尋時很容易陷入區域性某個單峰的極值點，而遺傳演算法的群體搜尋特性卻可以避免這樣的問題，因而可以體現出遺傳演算法的並行化和較好的全域性搜尋性。
4、遺傳演算法基於概率規則，而不是確定性規則。這使得搜尋更為靈活，引數對其搜尋效果的影響也儘可能的小。
5、遺傳演算法具有可擴充套件性，易於與其他技術混合使用。以上幾點便是遺傳演算法作為優化演算法所具備的優點。
缺點：1、遺傳演算法在進行編碼時容易出現不規範不準確的問題。
2、由於單一的遺傳演算法編碼不能全面將優化問題的約束表示出來，因此需要考慮對不可行解採用閾值，進而增加了工作量和求解時間。
3、遺傳演算法效率通常低於其他傳統的優化方法。
4、遺傳演算法容易出現過早收斂的問題。
參加數學建模有哪些必學的演算法
7樓：匿名使用者
1. 蒙特卡洛方法：
又稱計算機隨機性模擬方法，也稱統計實驗方法。可以通過模擬來檢驗自己模型的正確性。
2. 資料擬合、引數估計、插值等資料處理。
比賽中常遇到大量的資料需要處理，而處理的資料的關鍵就在於這些方法，通常使用matlab輔助，與圖形結合時還可處理很多有關擬合的問題。
3. 規劃類問題演算法：
包括線性規劃、整數規劃、多元規劃、二次規劃等；競賽中又很多問題都和規劃有關，可以說不少的模型都可以歸結為一組不等式作為約束條件，幾個函式表示式作為目標函式的問題，這類問題，求解是關鍵。
這類問題一般用lingo軟體就能求解。
4. 圖論問題：
主要是考察這類問題的演算法，包括：dijkstra、floyd、prime、bellman-ford，最大流、二分匹配等。熟悉acm的人來說，應該都不難。
5. 計算機演算法設計中的問題：
演算法設計包括：動態規劃、回溯搜尋、分治、分支定界法（求解整數解）等。
6. 最優化理論的三大非經典演算法：
a) 模擬退火法（sa）
b) 神經網路（nn）
c) 遺傳演算法（ga）
7. 網格演算法和窮舉演算法。
8. 連續問題離散化的方法。
因為計算機只能處理離散化的問題，但是實際中資料大多是連續的，因此需要將連續問題離散化之後再用計算機求解。
如：差分代替微分、求和代替積分等思想都是把連續問題離散化的常用方法。
9. 數值分析方法。
主要研究各種求解數學問題的數值計算方法，特別是適用於計算機實現的方法與演算法。
包括：函式的數值逼近、數值微分與數值積分、非線性返程的數值解法、數值代數、常微分方程數值解等。
主要應用matlab進行求解。
10. 影象處理演算法。
這部分主要是使用matlab進行影象處理。
包括展示**，進行問題解決說明等。
遺傳演算法和模擬退火演算法結合神經網路，進行故障診斷和資料**，這種思路的matlab程式，高分求助
8樓：匿名使用者
模擬退火演算法**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。
遺傳演算法及模擬退火用於什麼方面
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程式源代
9樓：匿名使用者
遺傳演算法是種群擇優，模擬退火是擇優降火，裡頭的差別不大，就是生成新鏈，然後計算適應度什麼的。這兩種優化演算法都能解決tsp問題，源**沒有，不過matlab有工具箱可以實現吧，你再找找。
10樓：牛得天下
遺傳演算法全域性優化能力較強，模擬退火演算法區域性優化能力較強，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**。
一時半會應該是搞不清楚的，你可以買一本智慧優化演算法的書來看，詳細瞭解一下遺傳演算法和模擬退火演算法的原理。
NSA和SA網路有什麼區別，NSA和SA網路模式有什麼區別？哪個好？
回答您好，您的問題我已經看到了，正在整理答案，請您耐心等候一分鐘一 性質不z同 1 nsa網路 nsa網路屬於非獨立組網。2 sa網路 sa網路屬於獨立組網。二 網級互通不同 1 nsa網路 在nsa組網下，5g與4g在接入網級互通，互連複雜。2 sa網路 在sa組網下，5g網路獨立於4g網路，5g...
銅線拉絲退火是什麼意思，銅線拉絲和退火還有絞線工作
拉銅絲時拉絲潤滑液的ph值多少合適 在普通拉絲機拉好的成品銅絲在另一條退火線上退火，冷卻水也沒有使用抗氧化劑，抗氧時間短，很快就會出現氧化發黑現象 一些老廠還沿用退火缸來退火，以下幾種原因也會造成氧化 發黑 一是該退火缸螺母沒擰緊，衝完二氧化碳或高純氮後漏氣 二是出缸的銅線溫度過高，超出30 時 三...
關於模擬人生2和模擬人生，關於模擬人生2和模擬人生
如果不太在意人物形象，建議玩3,3的遊戲性與自由度很大，自從玩了3以後我都懶得進2了 回頭再看2感覺有些生硬 3這個月要發售寵物的資料片了，有好多寵物啊 還有我最喜歡的獨角獸 不過想做劇場還是2比較適合，而且2的資料片很全面3dm論壇有正版模擬的映象，你可以去找找，原版我是那下的，資料片我是在遊俠網...