遗传模拟退火算法

一：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求解优化问题。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。

二：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抚化。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。

三：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：优点是能很好的处理约束，能很好的跳出局部最优，最终得到全局最优解，全局搜索能力强；缺点是收敛较慢，局部搜索能力较弱，运行时间长，且容易受参数的影响。

模拟退火：优点是局部搜索能力强，运行时间较短；缺点是全局搜索能力差，容易受参数的影恭。

爬山算法：显然爬山算法较简单，效率高，但是处理多约束大规模问题时力不从心，往往不能得到较好的解。

数值算法：这个数值算法的含义太广，你说的是哪一种数值算法？多数数组算法与爬山算法的有优缺点类似。

PS：望采纳！

四：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。

五：改进模拟退火算法与传统模拟退火算法相比优缺点是什么，如有缺点该如何改进

该算法是一种新的随机搜索方法,它是近年来提出的一种适合于解决大规模组合优化问题的通用而有效的近似算法。与以往的近似算法相比,模拟退火算法具有描述简单、使用灵活、运用广泛、运行效率高和较少受到初始条件约束等优点

六：遗传模拟退火算法优化BP神经网络的Matlab程序 100分

“模拟退火”算法是源于对热力学中退火过程的模拟，在某一给定初温下，通过缓慢下降温度参数，使算法能够在多项式时间内给出一个近似最优解。退火与冶金学上的‘退火’相似，而与冶金学的淬火有很大区别，前者是温度缓慢下降，后者是温度迅速下降。

“模拟退火”的原理也和金属退火的原理近似：我们将热力学的理论套用到统计学上，将搜寻空间内每一点想像成空气内的分子；分子的能量，就是它本身的动能；而搜寻空间内的每一点，也像空气分子一样带有“能量”，以表示该点对命题的合适程度。算法先以搜寻空间内一个任意点作起始：每一步先选择一个“邻居”，然后再计算从现有位置到达“邻居”的概率。

七：遗传算法及模拟退火用于什么方面

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求解优化问题。

八：模拟退火算法和粒子群算法的优缺点有那些？具体点，谢啦

退火优点：计算过程简单，通用，鲁棒性强，适用于并行处理，可用于求解复杂的非线性优化问题。缺点：收敛速度慢，执行时间长，算法性能与初始值有关及参数敏感等缺点。

PSO:演化计算的优势在于可以处理一些传统方法不能处理的例子例如不可导的节点传递函数或者没有梯度信息存在。但是缺点在于：在某些问题上性能并不是特别好。2. 网络权重的编码而且遗传算子的选择有时比较麻烦

九：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。

参考资料：http://hi.baidu.com/%C7%D8%CA%F5%BD%FA/blog/item/c849fbed1562383a27979103.html

十：模拟退火算法在数学建模中用的多吗

数学建模还是多用简单、常规的算法，模拟退火优化算法比较有理论意义，实践或数学建模上还是较少用的