遺傳模擬退火算法及其應(yīng)用

1、本科畢業(yè)設(shè)計（論文）本科畢業(yè)設(shè)計（論文）外文參考文獻譯文及原文學(xué)院輕工化工學(xué)院輕工化工學(xué)院專業(yè)制藥工程制藥工程（天然藥物方向）（天然藥物方向）年級班別年級班別2009級（級（2）班）班學(xué)號3109002300學(xué)生姓名學(xué)生姓名黃學(xué)潤黃學(xué)潤指導(dǎo)教師指導(dǎo)教師魏關(guān)鋒魏關(guān)鋒2013年6月算法的收斂速度。交叉算子可以由父代個體的基因互換以幫助搜索出更好的個體。變異操作可以帶來遺傳基因進化群，避免陷入局部極值點。近年來，兩種類型的全局隨機優(yōu)化方法模擬

2、退火（SA）和遺傳算法已經(jīng)得到了廣泛應(yīng)用[2]。它們在難以由基于梯度的傳統(tǒng)方法解決的復(fù)雜的優(yōu)化問題上，顯示出良好的性能。GA通過優(yōu)勝劣汰的策略，采用生物進化的思想解決優(yōu)化問題；SA源于統(tǒng)計物理學(xué)方法，由Kirkpatrick和其他研究人員首先引入組合優(yōu)化領(lǐng)域[3]。GA具有較強的全局搜索能力，但存在過早收斂的問題，在進化后期，其搜索效率低，減緩遺傳算法的進化，使得搜索效率低；SA具有較強的局部搜索能力，能避免陷入局部優(yōu)解，但搜索時不能很

3、好地控制搜索過程而使工作效率很低[4]。在本文中，我們將模擬退火的思想嵌入到遺傳算法，并有效地將它們結(jié)合在一起，從而減少了GA的參數(shù)選擇的困難，和提高GA的全局收斂性，避免搜索時陷入局部優(yōu)解。II模擬退火算法模擬退火算法模擬退火（SA）是一種基于MonteCarlo迭代法的啟發(fā)式隨機搜索算法。SA來源于對固體物質(zhì)的退火降溫過程中的熱平衡問題的模擬和隨機搜索優(yōu)化問題，以找到全局最優(yōu)解或近似全局最優(yōu)解[5]。SA在尋找最優(yōu)解的過程中，不僅接

4、受優(yōu)解，而且根據(jù)隨機的驗收標(biāo)準(zhǔn)，在一定程度上接受惡化解（Metropolis準(zhǔn)則）。此外，接受惡化解的概率逐漸趨向于0，這使得能夠跳出局部極值區(qū)，從而找到全局最優(yōu)解，所以要確保算法的收斂性[6]。模擬退火算法可以劃分成三個部分：解空間，目標(biāo)函數(shù)和初始解。其求解過程如下：第一步：產(chǎn)生隨機初始解x0（算法迭代的初始點）；第二步：初始化退火溫度T0（足夠大）；第三步：在溫度Tk下，執(zhí)行如下操作：（1）產(chǎn)生新的可行解x（x是x的相應(yīng)的目標(biāo)函數(shù)值