改进的模拟退火算法

是基于 Monte-Carlo 迭代求精法的一种随机搜索算法。在搜索过程中，既能向

目标函数优化的方向迭代，又以一定的概率接受目标函数劣化的情况，从而避免陷

入局部最优点，保证获得全局最优解的可靠性。在求解组合优化问题时，模拟退火

法将每种组合状态 x i 看成某一物质体系的微观状态，而 E(x i )看成该物质体系在状

态 x i 下的内能，并用控制参数 T 类比温度。 整个模拟退火算法主要包括两个部分：Metropolis 抽样算法和缓慢的退火过

程。

2.1 Metropolis 抽样算法

对于每个温度 T，用 Metropolis 抽样法模拟该体系的热平衡态，即选择一个

初始起点 x(0)，给定随机步长 Dx，在每一步中，计算出目标函数中的能量变化：

(1)

如果为负，则 Dx 被接受；如果为正值，则 Dx 以概率

(2)

被接受。因此，在某一给定温度 T 下，当前解 x(k)随 k 增加的取值序列：

x(0)， x(1)， x(2)， …， x(i)， …， x(k)所对应的准则值序列 E(x(k)) 不是

单调减的，即

要防止这种情况发生，只要令：

xx(0)=x(0)

(3)

这样，可在不改变控制过程和轨迹序列的条件下，重新构造其准则值为单调减

的最优解更新序列 xx(k)，最后得到的最优解必定是搜索过程中所经历的所有状态

下的最优解。并且，在某一个温度 T 下，若从某一个 i 起，有

xx(i) = xx(i+1)= … = xx(i+q) (4)

成立，则表明连续搜索过的 q 个解都不比 xx(i) 好。因此，可以设定一个阈值

q 0 ，当 q>q 0 时，令 Metropolis 抽样算法在该 T 下停止，于是得到该温度 T 时的最

优解 xx(T) 。

2.2 退火过程：

选择足够高的初始温度 T 0 ，温度降低系数 χ T 可以通过试凑法来选择：

0<χ T <1 (5)

如果 χ T 太小，系统将会陷入到局部最小值；而 χ T 太大，就会增加不必要的

计算时间。

当温度逐渐降低时，对于一组给定的 M 个步长，可以进行下一次迭代过程： ； (6)

式中：――增长因子；一般选取>1，典型情况，=3，。

在退火过程中，设在某个 T i 时最后得到的最优解 xx(k) 为 xx(T i ) ，并且有：

xx(T i ) = xx(T i+1 )= … = xx(T i+p ) (7)

成立，则表明温度连续下降 p 次后，对解的最优性没有改善，这样，可通过设

定一个阈值 p 0 ，当 p>p 0 时，退火过程停止。这时得到的当前解即为系统的全局最

优解。