模擬退火與遺傳演算法

A. 模擬退火法（SA）和遺傳演算法(GA)的專業解釋

n局部搜索，模擬退火，遺傳演算法，禁忌搜索的形象比喻：

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。這就是局部搜索，它不能保證局部最優值就是全局最優值。
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．兔子們吃了失憶葯片，並被發射到太空，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，哪裡的山已經找過，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哪裡尋找的策略。這就是禁忌搜索。

B. 遺傳演算法、粒子群、模擬退火相比於普通的蒙特卡洛演算法有什麼優勢他們相互的優缺點都是什麼

他們有類似之處，但差別也不小。
蒙特卡洛演算法是數值計算方法，原理是利用隨機數來解決計算問題。與它對應的是確定性演算法。也就是說該種演算法屬於隨機演算法，得到的解是近似解。
而遺傳演算法、粒子群、模擬退火雖然也是隨機近似演算法，但這三種都是仿生智能演算法，且比蒙特卡洛演算法要復雜，應用的領域也不太相同。
顯然，蒙特卡洛演算法很輕巧，求解問題更快速。

C. 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：優點是能很好的處理約束，能很好的跳出局部最優，最終得到全局最優解，全局搜索能力強；缺點是收斂較慢，局部搜索能力較弱，運行時間長，且容易受參數的影響。
模擬退火：優點是局部搜索能力強，運行時間較短；缺點是全局搜索能力差，容易受參數的影響。
爬山演算法：顯然爬山演算法較簡單，效率高，但是處理多約束大規模問題時力不從心，往往不能得到較好的解。
數值演算法：這個數值演算法的含義太廣，你說的是哪一種數值演算法？多數數組演算法與爬山演算法的有優缺點類似。
PS：望採納！

D. 對於解決多目標優化問題，遺傳演算法、粒子群、模擬退火哪個比較好啊哪位大神能分析一下么

個人感覺是遺傳演算法吧，當然可以和模擬退火演算法結合來使用。
多目標遺傳演算法可解決多目標優化問題，和模擬退火演算法相結合時還能強化局部搜索能力。

E. 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。

F. 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。

G. 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。

(7)模擬退火與遺傳演算法擴展閱讀：

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。