模拟退火+爬山算法

转载：https://blog.csdn.net/niiick/article/details/82708589
爬山算法(Hill Climbing)
学习模拟退火前了解爬山算法是非常必要的

爬山算法依照一个很简单的贪心思路
每次在当前作为最优解的点附近随机一个新的点
比较这个新的点是否比当前更优，若是则更新

这个算法有一个比较明显的缺点，例如下图

我们想要的最终答案是A
但若当前记录的最优解是B
局部最优解B附近谷底的点又显然不能作为更优解更新答案

所以爬山算法最终得到的将有可能只是局部最优解

模拟退火(SA——Simulated Annealing)
为了解决上述爬山算法的不足
模拟退火算法应用了以一定概率接受一个非更优解的思路

加入当前记录的最优解为B
随机到的下一个点为C
爬山算法直接否定了这个点，但模拟退火决定以一定概率去接受
这样得到最终全局最优解A的概率就大大增加

关于如何确定接受概率，就应用到了金属退火原理

在温度为T TT的情况下
出现一次能量差为ΔE \Delta EΔE的降温的概率为P(ΔE)=eΔEk∗T P(\Delta E)=e^{\frac{\Delta E}{k*T}}P(ΔE)=e
k∗T
ΔE
​

这个要如何应用到OI中呢
我们设定一个初始温度T0 T_0T
0
​
和最小温度Tmin T_{min}T
min
​
，以及降温系数delta deltadelta
每次降温就是令T∗=delta T*=deltaT∗=delta
当温度下降到Tmin T_{min}T
min
​
时算法结束

假设在温度T TT时记录的最优解为F(x) F(x)F(x)
随机一个x xx附近的点x1 x_1x
1
​
并计算他的函数值F(x1) F(x_1)F(x
1
​
)
他们的差作为退火的能量差，即ΔE=F(x1)−F(x) \Delta E=F(x_1)-F(x)ΔE=F(x
1
​
)−F(x)
若ΔE>=0 \Delta E>=0ΔE>=0，说明这个新的点更优，直接更新
若ΔE<0 \Delta E<0ΔE<0，我们就以P(ΔE) P(\Delta E)P(ΔE)的概率接受这个非更优解

因为ΔE<0 \Delta E<0ΔE<0，所以P(ΔE) P(\Delta E)P(ΔE)的取值范围是(0,1) (0,1)(0,1)
显然温度T TT越小，接受的概率也越小

下面是模拟退火的伪代码

/*
F(x)在状态x时的评价函数值
x , nx 当前状态 与 新的状态 
delta： 用于控制降温的快慢
T： 系统的温度，系统初始应该要处于一个高温的状态
T_0 , T_min ：初始温度 与 温度的下限，当温度T从T_0降温到T_min，算法结束
*/
T=T_0
while(T>T_min)
{
　　nx=RADN(x);//在当前状态x附近随机一个新的状态 
	dE=F(nx)-F(x); //能量差 

　　if(dE>=0) x=nx;//直接接受更优的移动 
　　else if( exp( dE/T ) > random(0,1) ) x=nx;//以一定概率接受非更优的移动 
	//(exp是c++库函数) exp( dE/T )随温度降低而减小 ，好像exp（F(nx)<random(0,1)也是可以的，
//poj1379：https://blog.csdn.net/c___c18/article/details/86543013
//poj2420：https://blog.csdn.net/c___c18/article/details/86515348
　　T=T*delta; //降温退火 ，0<delta<1 

	//delta越大，降温越慢, 反之delta越小，降温越快
	//若delta过大，则搜索到全局最优解的可能会较高，但搜索的过程也就较长。
	//若delta过小，则搜索的过程会很快，但最终可能会达到一个局部最优值
}

这板子可以用在HDU2899里面
要注意接受非更优解时只是接受点的移动，当前记录最优解的值不用更新