目录
一、理论基础
在日常的生产生活环节中发现很多复杂的函数以及其它复杂问题例如: 函数优化、JSP(生产调度)、TSP(旅行商)等,这些问题其中的NP完全问题本身所固有的计算复杂性，求其精确解的计算量往往随问题的规模呈现指数型增长，用传统的最优解或者近似最优解方法(枚举法、启发式算法、搜索算法)很难寻找到最优解或者求解到最优解根本无法实现,而设计和现实一种能够解决复杂问题，并且求得最优解或者近似最优解效率高、通用性强的算法来解决这些问题很有必要，这样就为本课题的研究提供了一个需求。
针对某一具体问题来设计和现实模拟退火算法，模拟退火算法是近年来提出的一种适合解决大规模组合优化问题，特别是NP问题的通用有效近似算法，具有描述简单，运用广泛，运行效率高和较少受初始条件限制的优点，运用模拟退火算法来实现复杂函数和复杂问题的最优化，并且通过多个函数和复杂问题来测试和检验所实现的模拟退火算法的求解性能。
基于模拟退火的排队算法是一种基于模拟退火思想的优化算法，用于解决排队论（Queueing Theory）中的问题。排队论是研究排队系统中顾客到达、等待和离开过程的数学理论，广泛应用于各种实际场景，如通信网络、交通系统、生产线等。模拟退火是一种基于随机搜索的全局优化算法，灵感来源于金属加热后缓慢冷却的过程。在算法执行过程中，通过模拟退火的过程，逐渐降低系统的温度（即控制随机性），从而使系统从高能态逐渐趋向于稳定的低能态，以期望找到全局最优解。以下是基于模拟退火的排队算法的基本原理和步骤：
步骤：
-
初始化： 随机生成一个初始解，通常是问题的一个可能解。
-
温度设定： 设定一个初始温度，表示系统的随机性程度。
-
主循环： 在一定的迭代次数内，进行以下操作：
- 在当前解的邻域中随机生成一个新解。
- 计算新解的目标函数值以及与当前解的目标函数值的差异（即损失或增益）。
- 若新解的目标函数值较低（或者满足一定概率条件），则接受新解作为当前解。
- 根据一定规则，逐渐降低温度。
-
终止条件： 可以设定一定的终止条件，如达到一定迭代次数、温度降低到一定程度等。
-
返回结果： 当算法终止时，返回最终的解作为优化结果。
在基于模拟退火的排队算法中，具体如何定义邻域、目标函数以及温度调度等因问题而异。在排队论中，目标函数可以是系统的性能指标，如平均等待时间、利用率等。邻域定义通常涉及到调整排队系统的参数或决策，以达到更优的性能。
用最优算法如线性规划求NP完全问题的最优解，需要问题规模的指数阶时间，在问题规模增大时，往往由于计算时间的限制而丧失可行性。用近似算法如贪心法求解NP完全问题，在多项式界的时间里，只能给出近似最优解。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。根据Metropolis准则，粒子在温度T时趋于平衡的概率为e-ΔE/(kT)，其中E为温度T时的内能，ΔE为其改变量，k为Boltzmann常数。用固体退火模拟组合优化问题，将内能E模拟为目标函数值f，温度T演化成控制参数t，即得到解组合优化问题的模拟退火算法：由初始解i和控制参数初值t开始，对当前解重复“产生新解→计算目标函数差→接受或舍弃”的迭代，并逐步衰减t值，算法终止时的当前解即为所得近似最优解，这是基于蒙特卡罗迭代求解法的一种启发式随机搜索过程。退火过程由冷却进度表(Cooling Schedule)控制，包括控制参数的初值t及其衰减因子Δt、每个t值时的迭代次数L和停止条件S。。
模拟退火法（Simulated Annealing）是Kirkpatrick [2]等人在1983年提出并成功地应用在组合最佳化问题中，它是蒙地卡罗演算法的推广。退火是一种物理过程，一种金属物体再加热至一定的温度后，它的所有分子在状态空间中自由运\动。随着温度的下降，这些分子逐渐停留在不同的状态。在温度最低时，分子重新以一定的结构排列，而分子的分布也就是以前面所述的以波兹曼（Boltzamnn）概率分布。不同於上述所介绍的蒙地卡罗演算法，模拟退火法中的温度是随着退火的时候有所改变，因此如何对温度作有效的调整就变成整个模拟退火法最重要的一环。模拟退火算法是近年来在国内外都比较受关注的算法。它的思想最早在1953年由Metropolis提出，在1983年被Kirkpatrick等人成功引入组合优化领域。由于它具有很强的实用性和极佳的性能表现，迅速引起了很多专家学者的兴趣，不断对其进行研究。
二、核心程序
function Best_tour_length= tspsiman(EUC_2D)
flops(0) ;
t0= clock ;
xy= EUC_2D ;
n_num= length(xy) ;
rand('state',sum(100*clock));
distance_matrix = zeros(n_num) ;
for n_num_x = 1: n_num,
for n_num_y = 1:n_num_x
x = xy(n_num_x, 1) ;
y = xy(n_num_x, 2) ;
xx = xy(n_num_y, 1) ;
yy = xy(n_num_y, 2) ;
distance_matrix(n_num_x, n_num_y)= ceil(sqrt((x - xx)^2 + (y - yy)^2)) ;
distance_matrix(n_num_y, n_num_x)= distance_matrix(n_num_x, n_num_y) ;
end
end
lenbestNN= inf ;
pbestNN= [] ;
prand= randperm(n_num) ;
f=find(prand==1) ;
prand(f)= prand(1) ;
p= [1 prand(2)] ;
i= prand(3) ;
count= 3 ;
while count <= n_num
NNdist= inf ;
pp= i ;
for j= 1: n_num
if (distance_matrix(i, j) < NNdist) & (j~=i) & ((j~=p) == ones(1,length(p)))%333??????????????????
NNdist= distance_matrix(i, j) ;
pp= j ;
end
end
p= [p pp] ;
i= pp ;
count= count + 1 ;
end
len= tourdist(p, distance_matrix) ;
if len < lenbestNN
lenbestNN= len ;
pbestNN= p ;
end
solnn= [] ;
lenn= [] ; temp= [] ;
soln= 1 ;
% ========================
% A 2-Opt local search
% ========================
lencurr= lenbestNN;
Best_tour_length= lenbestNN
pcurr= pbestNN ;
pbest= pbestNN ;
% ========================
% Temperature control
% ========================
restart= 1 ;
Tstart= 30 ; % Start temperature
Tend= 1 ; % Stop temperature
Tred= 0.97 ;
T= Tstart ;
Nochange= 2 ; % If after Nochange neighborhood searches, no improvements or
% changes in tour search, annealing complete, break search.
% ========================
lenn= [lenn lencurr] ;
temp= [temp T] ;
solnn= [solnn soln] ;
bb= 0 ;
while T >= Tend
big= n_num - 1 ;
while big >= 3
small= big - 2 ;
while small >= 1
curropt= distance_matrix(pcurr(big),pcurr(big+1)) + distance_matrix(pcurr(small),pcurr(small+1)) ;
swap2= distance_matrix(pcurr(small),pcurr(big)) + distance_matrix(pcurr(small+1),pcurr(big+1)) ;
soln= soln + 1 ;
if swap2 < curropt
order2= 1: n_num ;
order2=[1:small big:-1:small+1 big+1:n_num] ;
pcurr= pcurr(order2) ;
lencurr= tourdist(pcurr, distance_matrix) ;
lenn= [lenn lencurr] ;
temp= [temp T] ;
solnn= [solnn soln] ;
if lencurr < Best_tour_length
Best_tour_length= lencurr
pbest= pcurr ;
Temperature_of_best_tour_length= T
Solution_count= soln
T= Tred * T ;
if T <= 3
T= 50 ;
end
end
Tcurr= T ;
bb= 0 ;
big= n_num - 1 ;
small= big - 1 ;
if T <= 3
T= 10 ;
end
if T <= Tend ;
big= 2.9 ;
break
end
elseif swap2 > curropt
%r= abs(randn) ;
r= rand; % where r ranges from 0.0 to 1.0
diff= swap2 - curropt ;
%if r < exp(-(diff) / T)
if r <= exp(-(diff) / T)
order2= 1: n_num ;
order2=[1:small big:-1:small+1 big+1:n_num] ;
pcurr= pcurr(order2) ;
lencurr= tourdist(pcurr, distance_matrix) ;
T= Tred * T ;
bb= 0 ;
end
end
small= small - 1 ;
end
big= big - 1 ;
end
bb= bb + 1 ;
if T <= Tend | bb > Nochange ;
clc
Best_tour_length
besttour= [pbest -pbest(1)]
Temperature_of_best_tour_length
Solution_count
Search_stop_temperature= T
Elapsed_time= etime(clock, t0) % In seconds
Solutions_generated= soln
Floating_point_operations = flops
if bb > Nochange
No_change= bb
end
disp('Press ENTER to display plot')
pause
clc
plot(temp, lenn)
title('Simulated Annealing w/ 2-Opt local search')
xlabel('Temperature (not scaled)')
ylabel('Tour Lengths')
grid
disp('Press ENTER to display plot')
pause
clc
plot(solnn, lenn)
title('Simulated Annealing w/ 2-Opt local search')
xlabel('Number of Solutions')
ylabel('Tour Lengths/Costs')
grid
disp('Press ENTER to restart search (if var restart > 0) or Ctrl^C to end search.')
pause
if restart > 0
clc
T= Tstart ; bb= 0 ;
solnn= []; lenn= []; temp= [] ;
% =======================================================
% This time randomly generate tours and restart annealing
% =======================================================
prand= randperm(n_num) ;
f=find(prand==1) ;
prand(f)= prand(1) ; prand(1)= 1 ;
lencurr= Best_tour_length
pcurr= pbest ;
% =======================================================
end
end
end
% End of local search
A06-02三、仿真结论
1456
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
