现代启发式算法（二）——模拟退火算法

仅记录自己的学习历程

---

继续我们在遗传算法求解TSP问题中所说的，遗传算法具有很强的全局搜索能力，但由于“早熟”问题使得局部搜索能力不足，模拟退火算法虽然全局搜索能力不强，但具有很强的局部搜索能力，混合使用遗传算法和模拟退火算法可以解决很多NP-hard问题，即由遗传算法提供问题的较优解，然后由模拟退火求解全局最优解。

模拟退火的算法过程如下：
1.对原来的解进行变化，生成一个新的解；
2.如果新的解小于原来的解，则使用新解代替原解；
3.如果新的解大于原来的解，则以一定的概率使用新解代替原解
4.重复步骤1-3，直到达到结束条件。

我们需要知道模拟退火算法具有很强局部搜索能力的原因。下面这个公式虽然很简洁，但就是模拟退火算法的精髓之处。公式中ΔE代表着新解与原解之间的差值（注意：这里新解一定是大于原解，如果新解小于原解，则新解直接被接受了，就不需要以一定概率接受这个大于原解的新解），P代表着这个大于原解的新解被接受的概率，T作为参数控制概率的大小变化，k为布尔兹曼常数（为了简化，下文的例子中并不会用到k）。假设T=2000，k=1，如果新解与原解之间的差值等于2000，则该新解被接受的概率为exp(-1)=0.3679，差值越小，被接受的概率越大；反之，被接受的概率越小，所以T的取值对于模拟退火算法至关重要！你还要意识到这个接受概率P是一个指数函数，exp(-2)&