最新智能优化算法——模拟退火法（Python实现）(1)，Python基础面试

一、Python所有方向的学习路线

Python所有方向路线就是把Python常用的技术点做整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。

二、学习软件

工欲善其事必先利其器。学习Python常用的开发软件都在这里了，给大家节省了很多时间。

三、入门学习视频

我们在看视频学习的时候，不能光动眼动脑不动手，比较科学的学习方法是在理解之后运用它们，这时候练手项目就很适合了。

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化学习资料的朋友，可以戳这里获取

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！

plt.show()

7.3 结果

最小值点

[[ 0.01025158]

[ 0.05412669]

[ 0.01478472]

[ 0.11712758]

[-0.0201138 ]

[ 0.10935337]

[-0.01210524]

[-0.06925395]

[ 0.06425366]

[ 0.06373066]]

最小值

0.042467753287183725

Process finished with exit code 0

8 案例2

---

8.1 案例

8.2 Python实现

import numpy as np

import matplotlib.pyplot as plt

import matplotlib as mpl

import matplotlib; matplotlib.use(‘TkAgg’)

mpl.rcParams[‘font.sans-serif’] = [‘SimHei’] # 指定默认字体

mpl.rcParams[‘axes.unicode_minus’] = False # 解决保存图像是负号’-'显示为方块的问题

#=====初始化参数

D=2 #变量维数 ,对应x,y

Xs=1 #搜索区间上限

Xx=-1 #搜索区间下限

#冷却表参数

L = 300 #马可夫链长度 #在温度为t情况下的迭代次数

K = 0.98 #衰减参数

S = 0.01 #步长因子

T=100 #初始温度

YZ = 1e-8 #容差(运行t-1,，t时刻的误差）

P = 0 #Metropolis过程中总接受点

eloss=0.1 #允许的惩罚项误差

#随机选点 初值设定

PreX = np.zeros(shape=(D,1))

PreX[0]=np.random.uniform(1,2,1)#X范围【1,2】

PreX[1]=np.random.uniform(-1,0,1)#y范围【-1,0】

PreBestX = PreX#t-1代的全局最优X

PreX = np.zeros(shape=(D,1))

PreX[0]=np.random.uniform(1,2,1)#X范围【1,2】

PreX[1]=np.random.uniform(-1,0,1)#y范围【-1,0】

BestX = PreX#t时刻的全局最优X

#==目标函数=

def func1(X):

A = 10

pi = np.pi

x = X[0]

y = X[1]

return 2 * A + x ** 2 - A * np.cos(2 * pi * x) + y ** 2 - A * np.cos(2 * pi * y)

#惩罚项=

def calc_e(X):

“”“计算个体的目惩罚项，X 的维度是 size * 2 “””

ee = 0

“”“计算第一个约束的惩罚项”“”

e1 = X[0] + X[1] - 6

ee += max(0, e1)

“”“计算第二个约束的惩罚项”“”

e2 = 3 * X[0] - 2 * X[1] - 5

ee += max(0, e2)

return ee

#==每迭代一次退火一次(降温), 直到满足迭代条件为止=

deta=np.abs(func1(BestX)-func1(PreBestX))#前后能量差

trace=[]#记录

while (deta > YZ) and (T>0.1):#如果能量差大于允许能量差 或者温度大于阈值

T = K * T#降温

print(T)

=在当前温度T下迭代次数=

for i in range(L): #

=在此点附近随机选下一点==

NextX = PreX + S * (np.random.uniform(size=(D, 1)) * (Xs - Xx) + Xx)

===边界条件处理

while NextX[0] > 2 or NextX[0] < 1:#x属于【1,2】

NextX[0] =PreX[0] + S* (np.random.uniform() * (Xs - Xx) + Xx)

while NextX[1] > 0 or NextX[0] < -1: # y属于【-1,0】

NextX[1] = PreX[1] + S* (np.random.uniform() * (Xs - Xx) + Xx)

===是否全局最优解 ===

if (func1(BestX) > func1(NextX)) and (calc_e(BestX)<eloss) and (calc_e(NextX)<eloss):#两者都没有违反约束，下一代适应度更好时选下一代

保留上一个最优解

PreBestX = BestX

此为新的最优解

BestX = NextX

elif (calc_e(BestX)>eloss) and (calc_e(NextX)>eloss) and (func1(BestX) > func1(NextX)):#两者都违反约束，下一代适应度更好时（选下一代）

保留上一个最优解

PreBestX = BestX

此为新的最优解

BestX = NextX

elif (calc_e(BestX)>eloss) and (calc_e(NextX)<eloss) :#上一代惩罚项不满足约束，下一代惩罚项满足约束（选下一代）

保留上一个最优解

PreBestX = BestX

此为新的最优解

BestX = NextX

==Metropolis过程 当代温度T 前后个体判断=

if (func1(PreX) - func1(NextX) > 0) and (calc_e(PreX)<eloss) and(calc_e(NextX)<eloss) : # 两个惩罚项都满足约束，后一个的适应度更小（选后一个）

接受新解

PreX = NextX

P = P + 1

elif (calc_e(PreX)>eloss) and(calc_e(NextX)>eloss) and (func1(PreX) - func1(NextX) > 0) :#两个惩罚项都不满足时，后一个适应度比前一个小（选后一个）

接受新解

PreX = NextX

P = P + 1

elif (calc_e(PreX)>eloss) and(calc_e(NextX)<eloss) :#前一个惩罚项不满足，后一个满足（选后一个）

接受新解

PreX = NextX

P = P + 1

else:

changer = -1 * (func1(NextX) - func1(PreX)) / T

p1 = np.exp(changer)

接受较差的解

if p1 > np.random.random():

PreX = NextX

P = P + 1

trace.append(func1(BestX))

deta = np.abs(func1(BestX) - func1(PreBestX)) # 修改前后能量差

print(‘最优值X\n’,BestX)

print(‘最优目标函数值\n’,func1(BestX))

print(‘最优值对应的惩罚项’,calc_e(BestX))

plt.plot(trace,label=‘迭代曲线’)

plt.xlabel(‘迭代次数’)

plt.ylabel(‘目标函数值’)

plt.show()

8.3 结果

98.0

96.03999999999999

94.11919999999999

92.23681599999999

90.39207968

88.58423808639999

86.812553324672

85.07630225817856

83.37477621301498

81.70728068875468

80.07313507497959

78.47167237347999

76.90223892601038

75.36419414749018

73.85691026454037

72.37977205924956

70.93217661806457

69.51353308570329

68.12326242398922

66.76079717550944

65.42558123199925

64.11706960735926

62.83472821521207

61.57803365090783

60.34647297788967

59.13954351833188

57.95675264796524

56.79761759500593

55.66166524310581

54.54843193824369

53.45746329947881

52.38831403348923

51.34054775281945

50.313736797763056

49.3074620618078

48.32131282057164

47.35488656416021

46.407788832877

45.47963305621946

44.57004039509507

43.67863958719317

42.80506679544931

41.94896545954032

41.10998615034951

40.287786427342525

39.482030698795676

38.69239008481976

37.918542283123365

37.160171437460896

36.41696800871168

35.688628648537446

34.9748560755667

34.27535895405536

33.58985177497426

32.91805473947477

32.25969364468527

31.614499771791564

30.98220977635573

30.362565580828615

29.755314269212043

29.160207983827803

28.577003824151248

28.005463747668223

27.445354472714858

26.89644738326056

26.35851843559535

25.831348066883443

25.314721105545775

24.80842668343486

24.312258149766162

23.826012986770838

23.349492727035422

22.88250287249471

22.42485281504482

21.97635575874392

21.53682864356904

21.10609207069766

20.683970229283705

20.27029082469803

19.86488500820407

19.467587308039988

19.07823556187919

18.696670850641606

18.322737433628774

17.956282684956197

17.597157031257073

17.24521389063193

16.900309612819292

16.562303420562905

16.231057352151648

15.906436205108616

15.588307481006444

15.276541331386316

14.971010504758588

14.671590294663416

14.378158488770147

14.090595318994744

13.808783412614849

13.532607744362553

13.261955589475301

12.996716477685794

12.736782148132079

12.482046505169437

12.232405575066048

11.987757463564726

11.748002314293432

11.513042268007563

11.282781422647412

11.057125794194464

10.835983278310575

10.619263612744364

10.406878340489476

10.198740773679686

9.994765958206093

9.79487063904197

9.598973226261132

9.406993761735908

9.21885388650119

9.034476808771165

8.853787272595742

8.676711527143826

8.50317729660095

8.33311375066893

8.166451475655553

8.003122446142442

7.8430599972195925

7.686198797275201

7.532474821329696

7.381825324903103

7.23418881840504

7.089505042036939

6.9477149411962005

6.808760642372277

6.672585429524831

6.539133720934334

6.408351046515647

6.280184025585334

6.154580345073628

6.031488738172155

5.910858963408712

5.792641784140538

5.676788948457727

5.563253169488572

5.451988106098801

5.342948343976825

5.236089377097288

5.131367589555342

5.028740237764235

4.92816543300895

4.829602124348772

4.733010081861796

4.63834988022456

4.545582882620068

4.454671224967667

4.365577800468314

4.278266244458948

4.192700919569768

4.108846901178373

4.026669963154805

3.9461365638917085

3.8672138326138743

3.7898695559615967

3.714072164842365

3.6397907215455176

3.566994907114607

3.495655008972315

3.425741908792869

3.3572270706170113

3.290082529204671

3.224280878620578

3.159795261048166

3.0965993558272027

3.0346673687106587

2.9739740213364456

2.9144945409097165

2.856204650091522

2.7990805570896913

2.7430989459478976

2.6882369670289394

2.6344722276883608

2.5817827831345936

2.530147127471902

2.4795441849224638

2.4299533012240144

2.381354235199534

2.3337271504955432

2.2870526074856325

2.24131155533592

2.1964853242292017

2.1525556177446177

2.1095045053897254

2.0673144152819307

2.025968126976292

1.985448764436766

1.9457397891480306

1.9068249933650698

1.8686884934977683

1.831314723627813

1.7946884291552565

1.7587946605721514

1.7236187673607084

1.6891463920134941

1.6553634641732242

1.6222561948897598

1.5898110709919646

1.5580148495721253

1.5268545525806827

1.496317461529069

1.4663911122984876

1.4370632900525178

1.4083220242514674

1.3801555837664379

1.352552472091109

1.325501422649287

1.2989913941963012

1.273011566312375

1.2475513349861276

1.222600308286405

1.198148302120677

1.1741853360782633

1.150701629356698

1.127687596769564

1.1051338448341728

1.0830311679374893

1.0613705445787396

1.0401431336871647

1.0193402710134214

0.9989534655931529

0.9789743962812898

0.959394908355664

0.9402070101885507

0.9214028699847796

0.9029748125850839

0.8849153163333823

0.8672170100067146

0.8498726698065803

0.8328752164104487

0.8162177120822397

0.7998933578405949

0.783895490683783

感谢每一个认真阅读我文章的人，看着粉丝一路的上涨和关注，礼尚往来总是要有的：

①　2000多本Python电子书（主流和经典的书籍应该都有了）

②　Python标准库资料（最全中文版）

③　项目源码（四五十个有趣且经典的练手项目及源码）

④　Python基础入门、爬虫、web开发、大数据分析方面的视频（适合小白学习）

⑤ Python学习路线图（告别不入流的学习）

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化学习资料的朋友，可以戳这里获取

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！