根据冶金学的专有名词退火，引入了模拟退火。退火材料加热，然后冷却晶粒，使得晶粒体积增大和降低晶格缺陷。原始材料的原子将保持在已启用的位置有局部极小值，以便加热能量越大，原子会离开原来的位置，并在其他地点随机移动。退火冷却速度是缓慢的以便有更多的原子可能发现比原来更低的位置的内能。
原理和模拟退火算法的原理也金属退火逼近： 热力学理论适用于统计学的搜索空间中的每个点想变成空气分子内 ；能量分子是它自己的动能 ；在搜索空间的每一个点，像空气分子带有"能量"来显示这个点对命题的适合度。演算法的起始点先使用空间内的任意一点，随后的每一步先选择1“邻居”，随后计算从现在所在的位置到“邻居”的概率。
文献[10] 提出了基于的支路交换 SAA，充分利用支路交换作为计算量小，使用的优点效率高启算法分支交换算法模拟退火工艺作为一种新的解决方案发生器，提高模拟退火过程的效率。
2.3.3.3禁忌搜索算法
为了找到全局最优解,不应该对特定区域的太过强求。局部搜索的缺点是过于贪婪为特定地区及其相邻区域搜索,导致被局部现象所迷惑，看不到全局。禁忌搜索是找到最佳解决方案的一部分,有意识地避免它,从而获得更多的搜索范围。“禁忌表”，“禁忌长度”和“特赦准则” 是禁忌搜索和一般搜索准则最不同的地方，算法的优化也关键在这里。
2.3.3.4蚁群算法
蚁群算法首先利用Dorigo M． 1992年提出ACO算法模仿蚂蚁觅食机制,人工蚂蚁建立一定数量的人工蚂蚁每个激素的力量的大小道路作为参考(按照一定标准状态传输)选择前进的道路,并在他们选择的道路上留下许多激素旅行(部分更新激素的力量),当所有蚂蚁都完成了搜索,然后激素的强度全球更新一次。通过迭代,大多数蚂蚁最终完成搜索同时(最佳路径)。
每个蚂蚁提前告诉他们没有食物的上下文中从哪里开始寻找食物。当食物发现后,它将释放到环境中的挥发性分泌信息素(称为信息素,这种物质随着时间的推移会逐渐挥发性,消失的浓度大小的距离信息描述路径)来达到吸引其他蚂蚁,蚂蚁会发现更多的食物。一些不喜欢蚂蚁,像其他蚂蚁总是重复同样的方式,他们会寻找其他方法来打开路如果其他短于其他路。最初,然后,慢慢地,更多的蚂蚁被吸引到这个短的道路。最后,运行一段时间后,可能会有重复最短路径的蚂蚁。
蚁群算法的优点是:1)使用正反馈机制,不断通过信息素更新,实现终极目标收敛到最优路径;
2)是一个分布式优化方法很容易实现并行;
3)是一种全局优化方法,不仅可以用于求解单目标优化问题,而且可以用于解决多目标优化问题;
4)适合求解离散优化问题;
5)鲁棒性强。
缺陷是:长时间计算计算系统过程;候选解决方案对应的搜索路径将信息素增量的道路,导致错误的信息,导致无效的搜索,系统过早停滞。 基于改进粒子群算法的配电网优化规划(4):http://www.youerw.com/tongxin/lunwen_22286.html