模拟退火算法python代码

算法原理

模拟退火算法来源于固体退火原理，将固体加温至充分高，再让其徐徐冷却，加温时，固体内部粒子随温升变为无序状，内能增大，而徐徐冷却时粒子渐趋有序，在每个温度都达到平衡态，最后在常温时达到基态，内能减为最小。

模型的物理背景

模型的迭代步骤

模拟退火算法可以分解为解空间、目标函数和初始解三部分。

(1) 初始化：初始温度T(充分大)，初始解状态S(是算法迭代的起点)，每个T值的迭代次数L

(2) 对k=1, …, L做第(3)至第(6)步：

(3) 产生新解S′

(4) 计算增量ΔC=C(S′)-C(S)，其中C(S)为评价函数

(5) 若ΔC<0则接受S′作为新的当前解，否则以概率exp(-ΔC/T)接受S′作为新的当前解.

(6) 如果满足终止条件则输出当前解作为最优解，结束程序。

终止条件通常取为连续若干个新解都没有被接受时终止算法。

一段代码用来理解

import random
import math

def simulated_annealing(objective_function, initial_solution, temperature, cooling_rate, num_iterations):
    current_solution = initial_solution
    current_cost = objective_function(current_solution)

    for i in range(num_iterations):
        # 生成新的候选解
        new_solution = generate_neighbor(current_solution)
        new_cost = objective_function(new_solution)

        # 计算成本的差异
        cost_difference = new_cost - current_cost

        # 如果新解更好，总是接受
        if cost_difference < 0:
            current_solution = new_solution
            current_cost = new_cost
        else:
            # 否则以一定概率接受较差的解
            acceptance_probability = math.exp(-cost_difference / temperature)
            if random.random() < acceptance_probability:
                current_solution = new_solution
                current_cost = new_cost

        # 降低温度
        temperature *= cooling_rate

    return current_solution, current_cost

# 示例目标函数（求解一个简单的二次函数的最小值）
def objective_function(solution):
    x = solution
    return x**2 - 5*x + 6

# 生成邻域解的函数（这里简单地在当前解上加一个小的随机数）
def generate_neighbor(solution):
    delta = random.uniform(-0.1, 0.1)
    return solution + delta

# 初始解、初始温度、冷却率和迭代次数
initial_solution = 10
temperature = 100
cooling_rate = 0.95
num_iterations = 1000

best_solution, best_cost = simulated_annealing(objective_function, initial_solution, temperature, cooling_rate, num_iterations)

print("Best solution:", best_solution)
print("Best cost:", best_cost)

针对小数据集的使用代码

下面代码中使用的数据集已在文章顶部显示~~

import json
import random
import math

# 读取 JSON 文件
with open('vegetable_data.json', 'r') as f:
    data = json.load(f)

# 定义成本加成定价函数
def calculate_price(cost, loss):
    return (cost + loss) * 1.2

# 定义模拟退火算法的参数
initial_temperature = 1000
cooling_rate = 0.99
min_temperature = 0.1

# 初始随机选择蔬菜
current_selection = random.sample(list(data.keys()), 50)

# 计算初始总价格
current_price = sum(calculate_price(data[item]['Cost'], data[item]['Loss']) for item in current_selection)

# 模拟退火算法的主循环
temperature = initial_temperature
while temperature > min_temperature:
    # 随机生成新的选择
    new_selection = random.sample(list(data.keys()), 50)

    # 计算新的总价格
    new_price = sum(calculate_price(data[item]['Cost'], data[item]['Loss']) for item in new_selection)

    # 计算价格差
    price_difference = new_price - current_price

    # 如果新的价格更低，或者以一定概率接受更差的解
    if price_difference < 0 or random.random() < math.exp(-price_difference / temperature):
        current_selection = new_selection
        current_price = new_price

    # 降低温度
    temperature *= cooling_rate

# 输出最优选择方案
print("最优蔬菜选择方案:")
for item in current_selection:
    print(item)