-
退火進化算法
鎖定
- 中文名
- 退火進化算法
- 外文名
- annealing evolution algorithm
- 別 名
- 遺傳模擬退火算法
- 類 別
- 算法
退火進化算法概念
退火進化算法(annealing evolution algorithm, AEA)
別名：遺傳模擬退火算法，混合模擬退火算法
但是，SA 在全局搜索能力方面不足，GA 在局部搜索能力方面不足。而退火進化算法
(annealing evolution algorithm, AEA)綜合了SA和GA算法，優勢互補，
發揮SA 局部搜索能力和GA 全局搜索能力,克服SA 全局搜索能力差及效率不高的問題
和GA 局部搜索能力差及其早熟現象。
AEA把SA算法與GA結合在一起，通過變異與選擇不斷改善解羣體，並行搜索解空間，
從而有可能更迅速地找到全局最優解。由於在選擇中採用Metropolis準則，
因而保留了SA算法易跳出某局部極值“陷阱”的優點，易於向全局極小值快速收斂。
退火進化算法算法過程
(1)初始化進化代數計數器k←0，隨機給出種羣P(k)初值，給定初試退火温度T0。
(2)評價當前羣體P(k)的適應度。
(3)個體交叉操作（附帶保優操作）： P(k)’←Crossover[P(k)]。
(4)個體變異操作（附帶保優操作）： P(k)”←Mutation[P(k)’]。
(5)由SA狀態函數產生新個體。
(6)個體模擬退火操作(Metropolis準則接受新個體)： P(k)”’←SA[P(k)”]。
(7)判斷SA抽樣是否穩定，若不穩定，則返回(5)；若穩定，則往下執行退温操作T←T’
(8)個體複製操作，由擇優選擇模型保留最佳種羣：P(k+1)←Reproduction[P(k)∪P(k)”’]。
(9)終止條件判斷，若不滿足終止條件，則k←k+1,轉到(2)；若滿足終止條件，
則輸出當前最優個體，結束算法。
