遺傳退火演算法
『壹』 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程序源代
遺傳演算法是種群擇優，模擬退火是擇優降火，里頭的差別不大，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，源代碼沒有，不過matlab有工具箱可以實現吧，你再找找。
『貳』 遺傳演算法及模擬退火用於什麼方面
模擬退火演算法和遺傳演算法，包括禁忌搜索演算法，蟻群演算法等都可以用來求解優化問題。
『叄』 遺傳演算法、數值演算法、爬山演算法、模擬退火 各自的優缺點
遺傳演算法：其優點是能很好地處理約束，跳出局部最優，最終得到全局最優解。缺點是收斂速度慢，局部搜索能力弱，運行時間長，容易受到參數的影響。
模擬退火：具有局部搜索能力強、運行時間短的優點。缺點是全局搜索能力差，容易受到參數的影響。
爬山演算法：顯然爬山演算法簡單、效率高，但在處理多約束大規模問題時，往往不能得到較好的解決方案。
數值演算法：這個數值演算法的含義太寬泛了，指的是哪種數值演算法，陣列演算法與爬山演算法一樣，各有優缺點。
(3)遺傳退火演算法擴展閱讀：
注意事項：
遺傳演算法的機制比較復雜，在Matlab中已經用工具箱中的命令進行了打包，通過調用可以非常方便的使用遺傳演算法。
函數GA：［x，Fval，reason］＝GA（＠fitnessfun，Nvars，options）x為最優解，Fval為最優值，＠Fitnessness為目標函數，Nvars為自變數個數，options為其他屬性設置。系統的默認值是最小值，所以函數文檔中應該加上一個減號。
要設置選項，您需要以下函數：options＝GaOptimset（＇PropertyName1＇，＇PropertyValue1＇，＇PropertyName2＇，＇PropertyName3＇，＇PropertyValue3＇…）通過該函數，可以確定一些遺傳演算法的參數。
『肆』 遺傳模擬退火演算法優化BP神經網路的Matlab程序
「模擬退火」演算法是源於對熱力學中退火過程的模擬，在某一給定初溫下，通過緩慢下降溫度參數，使演算法能夠在多項式時間內給出一個近似最優解。退火與冶金學上的『退火』相似，而與冶金學的淬火有很大區別，前者是溫度緩慢下降，後者是溫度迅速下降。
「模擬退火」的原理也和金屬退火的原理近似：我們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。
『伍』 模擬退火演算法、遺傳演算法、蟻群演算法、粒子群演算法就演算法復雜度和難度來講哪個要容易一點急！！！！
粒子群比較簡單，也好入門。
就兩個公式。
我這有個現成的，你運行，看看，分析分析就會了。
『陸』 粒子群演算法遺傳演算法蟻群演算法模擬退火演算法和貝葉斯是一類演算法嗎
粒子群演算法、遺傳演算法、蟻群演算法、模擬退火演算法，這些是一類演算法，是一種基於迭代的優化演算法，用於求最優解。
貝葉斯分類演算法另一類，它是統計學的一種分類方法，利用概率統計知識進行分類的演算法。
『柒』 模擬退火和遺傳演算法都可以解決什麼問題啊
模擬退火演算法和遺傳演算法，包括禁忌搜索演算法，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復雜問題，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。
『捌』 現在模擬退火演算法、粒子群優化演算法、遺傳演算法和蟻群優化演算法現在用的還多嗎
我是人工智慧的小白，不能告訴你這幾個演算法是否是人工智慧，不過碰巧多年前學習優化演算法時，接觸過這些演算法。在這里分享幾個關於演算法的故事吧。
貨郎擔問題
有個快遞小哥要跑遍全城送貨，您打算幫他規劃一條最短的路線。該怎麼做呢，最直接的辦法是窮舉法。羅列出所有可能的線路，計算出每條線路的距離，尋求最短的路徑。看起來很簡單吧。可是在實際的路網上，路線組合是非常多的。如果有15個目的地，組合的數量至少是15的階乘。更何況還要考慮路況，收費免費，時間段等各種條件的組合，這樣的計算量恐怕是量子計算機也不能在可接受的時間里完成。這象是對條件不足多元方程組求解，要從無窮多的解中找出最接近期望值的解。於是，人們想出了許多快速逼近最優解的辦法。
螞蟻演算法
螞蟻出來覓食時，先是向四面八方出動，發現食物的螞蟻會掉頭回來通知其它的螞蟻。接到通知的螞蟻就會向食物的方向移動。螞蟻移動時會在路線上留下氣味。這樣在通向食物的路線上氣味就越來越濃，後面的螞蟻不用直接接到信息，只要追著最濃的氣味就可以找到食物。人們受到這個現象的啟發，設立出來先按隨機條件計算，在小范圍內找到局部最優解之後，就為這些條件加分。一定時間後就圍繞著分數高的條件計算，不斷反復後得到的解被當作近似最優解。這就是螞蟻演算法的原理。
神經網路
和螞蟻演算法類似，人的記憶是通過神經元的突出建立起聯系實現的。類似的刺激會使聯系增強。達到一定刺激量之後，就可以形成長久的記憶。模仿這一過程，人們把各種約束條件當作神經元，隨機選取路線，輸入各種條件，當路徑傾向於縮短時，就按照權重給各條件加分，反之就給條件減分，然後，根據分數，以最有利於優化的條件為主重新選擇路線，反復該過程直到達到邊界條件時，就認為得到了近似最優解。遺傳演算法，模擬退火演算法，也都是用一定的方法，縮小計算范圍，通過求局部最優解逼近最優解的。就不啰嗦了。
人工智慧和優化演算法
優化演算法實際上是從早期人工智慧的研究發展起來的，從這個意義上說，這些演算法也可以說是人工智慧吧。
『玖』 請問如何學好遺傳演算法跟模模擬退火演算法，以及如何用MATLAB實現。
我以前是自己編寫的模擬退火演算法程序，然後用於實現。遺傳演算法使用的遺傳演算法工具性，是設菲爾德大學編寫的，可以下下來看看，是在MATLAB環境下應用的，直接拿來調用就可以了。建議你好好看看模擬退火演算法和遺傳演算法的論文，多列印一些咬牙看個七八天就明白了！然後MATLAB編程！我就是這樣做的。祝好運！
『拾』 請教一份「遺傳模擬退火演算法優化BP神經網路權值閾值的MATLAB程序」
把這一行的若干參數，比如0.09抽象出來，寫成一個新的函數，再調用退火演算法，求解這個參數的最優值。