模拟退火算法是一种启发式搜索算法,用于在较大的搜索空间中找到高质量的解决方案。它以固体的退火过程为灵感,将随机搜索与系统温度下降结合起来,以找到问题的解决方案。
以下是一个用Python实现模拟退火算法的基本示例。在这个例子中,我们将寻找一个使函数f(x) = x^2最小的x值。请注意,这是一个非常简单的问题,实际上不需要使用模拟退火算法。但是,对于更复杂的问题,模拟退火算法可能会非常有用。
import math
import random
def objective_function(x):
return x**2
def simulated_annealing():
# 初始化
x = 0
T = 1000 # 初始温度
T_min = 1e-3 # 温度下限,当T小于此值时,停止迭代
alpha = 0.99 # 温度衰减系数
y = objective_function(x)
while T > T_min:
# 在当前解附近随机选择一个新解
delta_x = (random.random()-0.5)
new_x = x + delta_x
new_y = objective_function(new_x)
# Metropolis准则
if new_y < y:
x = new_x
y = new_y
else:
p = math.exp((y - new_y) / T)
if random.random() < p:
x = new_x
y = new_y
# 降温
T *= alpha
return x, y
if __name__ == "__main__":
x, y = simulated_annealing()
print(f"最优解: x={x}, y={y}")
这个程序首先定义了一个目标函数(我们要优化的函数),然后初始化了一些参数,包括当前解x、初始温度T、温度下限T_min、温度衰减系数alpha,以及当前解的函数值y。然后,在一个循环中,程序随机选择一个新解,计算新解的函数值,然后比较新解和当前解的函数值。如果新解更好,就接受新解;否则,以一定的概率接受新解。概率由当前的温度和新解与当前解的函数值之差决定。最后,程序降温并返回最优解。