python模拟退火算法

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。