数学建模（二） 启发式算法

启发式算法

在很长一段时间里，提起数学建模，我就能想到遗传算法，模拟退火，粒子群。提起遗传算法，我就能想到函数GA（）。我打开CSDN，输入这些关键字，就可以很轻松的看到这些算法的原理，过程清楚明白。然而，我始终不明白的是，这些算法跟实际问题有啥关系？
带着疑问，我试图寻找使用它们的例子，好的，我又一次次看到了上一篇中的优化问题，求最小，求最大。我的疑惑更深了，这些问题不是用一个函数就解出来了吗？或者实在不行，我也可以拽个GA解出来啊。首先是我不知道数学建模的题如何抽象成数学问题，也就是建模，其次我不知道数学问题如何用特定方法求解。直到我看了几篇论文的讲解视频，我才仿佛明白了一点，我又重新第二遍开始看这些算法的时候，我觉得我终于把这三个点联系到一起了（其实建模跟方法根本就是一个点吧）。
由于这些算法之间作用的相似性，这里就介绍两种，然而，真的要比赛的话，我觉得懂一种就可以了（并不值得借鉴）。

1.模拟退火

背景：统计力学表明材料中粒子的不同结构对应于粒子的不同能量水平。在高温条件下，粒子的能量较高，可以自由运动和重新排列。在低温条件下，粒子能量较低。如果从高温开始，非常缓慢地降温（这个过程被称为退火），粒子就可以在每个温度下达到热平衡。当系统完全被冷却时，最终形成处于低能状态的晶体。
如果用粒子的能量定义材料的状态， Metropolis 算法用一个简单的数学模型描述了
退火过程。假设材料在状态i 之下的能量为 E(i) ，那么材料在温度T 时从状态i 进入状态 j 就遵循如下规律：

p是状态Si转为Sj的概率，如果如第一行，就表示一定会变为状态Sj；相反如果Sj的目标函数小于Si，则以一定概率由Si变为Sj，KB为物理学中玻尔兹曼常数，T为材料温度。
过程：1）解空间：求初始解
2）目标函数（代价函数）
3）新解产生：变换等
4）代价函数差
5）接受准则（p）
6）降温准则：T=alpha*T
7）结束：终止温度
关于TSP旅行商问题的求解:
问题就是求从一个图的某点出发遍历一圈儿回到起点的最短路径！！！
首先随机生成一个初始解，目标函数就是总路径长度，设置降温步长是100，看代码吧：

temperature = 1000;                 % Initialize the t