模拟退火解析

最新推荐文章于 2022-11-07 15:23:26 发布

C202202chenkelin

最新推荐文章于 2022-11-07 15:23:26 发布

阅读量333

点赞数 2

原文链接：https://www.cnblogs.com/C202202chenkelin/p/14220692.html

版权

原文链接

前言

模拟退火 $S i m u l a t e d$ $A n n e a l i n g$ ，简称 $S A$ ，最早在 $1953$ 年由 $N . M e t r o p o l i s$ 提出，后经优化得到现在广泛应用的算法，应用在很多领域当中。

本文题目链接

算法思想

模拟退火是随机化搜索的一种，若随机化搜索写得好，则可以实现高效率和答案的正确率高（虽说不是 $100\%$ ）。很多时候在想不出解决办法，或方法的时间复杂度出现极大情况时，可使用模拟退火。所说是有较大几率正确，但还是有疏漏，那么可以多次试验来更加接近准确地求出这个值（还是要看运气）。

模拟退火，顾名思义，是模拟工业上固体降温的过程。先将固体加温到一定的温度后，在按照适当的温度进行冷却，冷却到改物体想要达到的状态。温度降低地越慢，则该物体的质量约高，因为分子在因热加速运动中找到了更加合适的位置。当温度逐渐降低，分子运动减缓，达成目的。

那么这一现象被科学家与计算机算法所联系起来，就成了现在的模拟退火。

网上的一张图，模拟退火可视化：
在这里插入图片描述

模拟退火有几个很关键的参数，这几个参数决定了模拟退火的优劣。

随机种子 $s e e d$ ，可以使用 $19260817$ ，或是时间，不推荐使用其他参数，很可能会降低正确率。
初始温度 $T e m p H i g h$ ，一般取 $100$ 至 $10000$ 不等，但作者更加倾向于 $2000$ 至 $3000$ 的数字。
目标温度 $T e m p L o w$ ，一般取 $1^{-10}$ 至 $1^{-15}$ 。
温度变化率 $T e m p L e s s$ ，一般取 $0.99$ 至 $0.9999$ 。建议不取太大，效率不高。

#define Seed 19260817
#define TempLess 0.9975
#define TempHigh 2879.0
#define TempLow 1e-12

来看看降火的主体部分。

void SA() {
	double temp = TempHigh;//初始化温度
	定义初始状态;
	while(temp > TempLow) {//打到降温条件
		double nowans = Get_Ans(当前状态);//更新最优解
		double diff = nowans - ans;//与当前答案的差值
		if(diff > 0) {//比当前答案更优
			转移状态;
			ans = nowans;//更新答案
		}
		else if(exp(-diff / temp) * RAND_MAX < rand()) {
//接受这个解，为什么这样写请见例题部分
			转移状态;
		}
		temp *= TempLess;//降温
	}
}

模拟退火查询的是多峰函数的最值。

以下曲线是解析式为 $y=0.05x^3-0.5x^2$ 的函数的图像：
在这里插入图片描述
先来考虑贪心的做法：

当到达点 $A$ 时，程序会选择更高的一个点，那么会从 $A$ 点到达 $B$ 点，而再从 $B$ 点俯瞰，看到了点 $C$ ，由于 $C$ 的纵坐标比 $B$ 小，所以点 $B$ 不会到达点 $C$ 。换句话说，该程序 $100\%$ 不会接受点 $C$ ，进而更不会到达点 $D$ 。不难发现，这时候找到的局部最优解并不是全局最优解。

而模拟退火再次做出了改进。假设初始位置在点 $A$ ，则会基于 $A$ 做出左右摆动，经过数次摆动后到达 $B$ 。再进一步摆动，假设摆动到了 $C$ 点，但是 $C$ 的纵坐标比 $B$ 小，会以一定几率以 $C$ 的纵坐标来接受 $C$ 。进而在以同样的方式摆动到点 $D$ ，找到更高点。

由于是该算法随机性较高，所以多跑几遍该函数。

下面结合一道例题更加深入地探究，题目链接已在上文给出。

题意

有 $n$ 个圆， $m$ 个点，请求出一个半径不超过 $r$ 的圆，使得与这 $n$ 个圆没有交集，且能够覆盖的点最大。

思路

此题的答案圆的圆心并不满足是整数，且由横纵坐标两个值来影响，并不具有规律。这样的问题通常使用模拟退火来解决。

void SA() {
	double temp = TempHigh;//初始化温度
	定义初始状态;
	while(temp > TempLow) {//打到降温条件
		double nowans = Get_Ans(当前状态);//更新最优解
		double diff = nowans - ans;//与当前答案的差值
		if(diff > 0) {//比当前答案更优
			转移状态;
			ans = nowans;//更新答案
		}
		else if(exp(-diff / temp) * RAND_MAX < rand()) {//接受这个解
			转移状态;
		}
		temp *= TempLess;//降温
	}
}

如上，初始状态包含了横坐标和纵坐标，为了提高正确率与效率，设为所有点的横纵坐标的平均值。

$G e t A n s$ 函数也很简单，先确定半径，半径为这个点到各个圆的切线的距离的最小值，即两个圆心的距离减去当前枚举到的这个圆的半径。后枚举每个点，若这个点被覆盖则 $r e s + +$ ，最后返回 $r e s$ 。

double Get_Ans(double x, double y) {
	double res = 0;
	double rkill = r;
	for(int i = 1; i <= n; i++)//枚举圆
		rkill = Min(rkill, Dist_Cartesian(XC(i), YC(i), x, y) - RC(i));
	for(int i = 1; i <= m; i++)//枚举点
		if(Dist_Cartesian(XE(i), YE(i), x, y) <= rkill)
			res += 1.0;
	return res;
}

有了 $G e t A n s$ 函数，主题部分也很快能出来。

void SA() {
	double temp = TempHigh, ansx = initx, ansy = inity;//降温前初始化
	while(temp > TempLow) {
		double nowx = ansx + ((rand() << 1) - RAND_MAX) * temp;
		double nowy = ansy + ((rand() << 1) - RAND_MAX) * temp;
		double nowans = Get_Ans(nowx, nowy);
		double diff = nowans - ans;
		if(diff > 0) {
			initx = nowx;
			inity = nowy;
			ansx = nowx;
			ansy = nowy;
			ans = nowans;
		}
		else if(exp(-diff / temp) * RAND_MAX < rand()) {
			ansx = nowx;
			ansy = nowy;
		}
		temp *= TempLess;
	}
}

首先来看这段代码

double nowx = ansx + ((rand() << 1) - RAND_MAX) * temp;
double nowy = ansy + ((rand() << 1) - RAND_MAX) * temp;

由答案左右摆动，生成新的当前状态 $n o w x$ 和 $n o w y$ ，摆动幅度是随机的，应该是由分子做无规则运动而来。乘上 $t e m p$ 当前温度是由分子在越热的环境中，运动得越快而得来。

紧接着两行就是求出当前状态的答案，在求出它与当前最优解的差值。

第一个 $i f$ 是当前这个局部解大于当前最优解，则用当前最优的局部解来更新最优解。

重点是下一个 $i f$ ，这行代码就是它与贪心的不同，以一定几率接受这个解，在用它更新当前状态，进行左右摆动，从而找到局部更优解，更加接近整体最优解。其条件的优越性由 $M e t r o p o l i s$ 接受准则给出。也就是 $e l s e$ $i f$ 中的条件：

exp(-diff / temp) * RAND_MAX < rand()

思路整理完了，此题并没有多少思维难度，但是需要对上述几个参数进行调整，可以多总结一些正确率大的参数，以备下次使用

C++代码

#include <cmath>
#include <cstdio>
#include <cstdlib>
#define Min(a, b) ((a) < (b) ? (a) : (b)) 
#define Seed 19260817//随机种子
#define TempLess 0.9975//温度变化率
#define TempHigh 2879.0//初始温度
#define TempLow 1e-12//目标温度
void Quick_Read(double &N) {//double快速读入
	N = 0.0;
	double now, wei = 0.1;
	bool op = false;
	char c = getchar();
	while(c < '0' || c > '9') {
		if(c == '-')
			op = -1;
		c = getchar();
	}
	while(c >= '0' && c <= '9') {
		N = N * 10.0 + (c ^ 48) * 1.0;
		c = getchar();
	}
	if(c == '.') {
		c = getchar();
		while(c >= '0' && c <= '9') {
			N += (c ^ 48) * wei;
			wei /= 10.0;
			c = getchar();
		}
	}
	if(op)
		N = -N;
}
const int MAXN = 15;
const int MAXM = 1e3 + 5;
struct Circle {//题目中的圆
	double Abscissa_C, Ordinate_C, Radius_C;
	#define XC(x) buildings[x].Abscissa_C
	#define YC(x) buildings[x].Ordinate_C
	#define RC(x) buildings[x].Radius_C
};
Circle buildings[MAXN];
struct Enemy {//题目中的点
	double Abscissa_E, Ordinate_E;
	#define XE(x) foe[x].Abscissa_E
	#define YE(x) foe[x].Ordinate_E
};
Enemy foe[MAXM];
double n, m, r;
double initx, inity;//记录答案的横纵坐标
double ans;//答案
double Dist_Cartesian(double XA, double YA, double XB, double YB) {//两点间距离公式
	double frontx = (XA - XB) * (XA - XB);
	double fronty = (YA - YB) * (YA - YB);
	double dist = sqrt(frontx + fronty);
	return dist;
}
double Get_Ans(double x, double y) {//找到当前状态的答案
	double res = 0;
	double rkill = r;
	for(int i = 1; i <= n; i++)//求出最大半径
		rkill = Min(rkill, Dist_Cartesian(XC(i), YC(i), x, y) - RC(i));
	for(int i = 1; i <= m; i++)//求出被圆覆盖的点
		if(Dist_Cartesian(XE(i), YE(i), x, y) <= rkill)
			res += 1.0;
	return res;
}
void SA() {
	double temp = TempHigh, ansx = initx, ansy = inity;//初始化
	while(temp > TempLow) {//降温
		double nowx = ansx + ((rand() << 1) - RAND_MAX) * temp;//当前状态x
		double nowy = ansy + ((rand() << 1) - RAND_MAX) * temp;//当前状态y
		double nowans = Get_Ans(nowx, nowy);//当前局部答案
		double diff = nowans - ans;//当前答案与最优解的差值
		if(diff > 0) {//比当前最优解更优则更新最优解
			initx = nowx;
			inity = nowy;
			ansx = nowx;
			ansy = nowy;
			ans = nowans;
		}
		else if(exp(-diff / temp) * RAND_MAX < rand()) {
//按照Metropolis接受准则接受改状态
			ansx = nowx;
			ansy = nowy;
		}
		temp *= TempLess;//降温
	}
}
void Cool_Down() {
	int frequ = 6;
	while(frequ--)//随机化算法尽量多跑几次
		SA();
}
void Make_Seed() {//生成随机种子
    srand(Seed);
}
void Read() {//输入
    Quick_Read(n);
    Quick_Read(m);
    Quick_Read(r);
    for(int i = 1; i <= n; i++) {
    	Quick_Read(XC(i));
    	Quick_Read(YC(i));
    	Quick_Read(RC(i));
	}
	for(int i = 1; i <= m; i++) {
		Quick_Read(XE(i));
		Quick_Read(YE(i));
		initx += XE(i);
		inity += YE(i);
	}
	initx /= m;//以平均值开始提高效率与准确率
	inity /= m;
}
void Write() {//输出
	printf("%.0lf", ans);
}
int main() {
	Make_Seed();
	Read();
	Cool_Down();
	Write();
	return 0;
}

C202202chenkelin

关注

2
点赞
踩
1

收藏

觉得还不错? 一键收藏
0
评论
模拟退火解析

前言模拟退火是随机化搜索的一种，若随机化搜索写得好，则可以实现高效率和答案的正确率高（虽说不是 100%100\%100% ）。很多时候在想不出解决办法，或方法的时间复杂度出现极大情况时，可使用模拟退火。所说是有较大几率正确，但还是有疏漏，那么可以多次试验来更加准确地求出这个值（还是要看运气）。思路模拟退火，顾名思义，是模拟工业上固体降温的过程。先将固体加温到一定的温度后，在按照适当的温度进行冷却，冷却到改物体想要达到的状态。温度降低地越慢，则该物体的质量约高，因为分子在因热加速运动中找到了更加合适的
复制链接

扫一扫