SA模拟退火算法

这是一个优化算法，找到使目标输出最好的那个输入，很多优化算法的区别就在于他是按照什么思路寻找，即按照什么方式来改变输入，而sa则模拟了退火的过程来调整自己的输入。

1.算法函数

function[output]=SA(sample,m,minT,k)
%%我对模拟退火算法的理解是这样的：已知样本集sample,其中有许多的输入向量与输出向量；
%%我们按照广泛意义的SA算法不断改变输入，寻找那个使得目标函数最小的输出，在寻找的...
%%过程中有minT和k作为终止条件，把最后找到的最小目标函数的输入输出作为output

%sample是一个N*(m+n)的矩阵，N为样本总数，m为输入向量长度，n为输出向量长度
%minT与样本中输出的单位一致，k为正数，当：输出<minT 或者 寻找次数>k时刻，停止寻找
%output是长度为(m+n)的行向量，表示找到的最小目标函数的样本

[N,col]=size(sample);%n=col-m;
pos=1;
Wo=sample(pos,1:m);%输入
To=sample(pos,m+1:col);%输出
Jo=To;%目标函数,此处设为输出，意在找到输出中的最小值，可以根据需要改变
     for i=1:1:k          %%k<=N-1
        if To<minT
            break;
        end
       pos=pos+1;
       Wn=sample(pos,1:m);
       Tn=sample(pos,m+1:col);
       Jn=Tn;
       delta=Jn-Jo;
       if delta<=0
           Wo=Wn;
           To=Tn;
           Jo=Jn;
       else
           if exp(-delta/sqrt(To*To'))>rand()
               Wo=Wn;
               To=Tn;
               Jo=Jn;
           end 
    end
    end
    
output=[Wo,To];

2.算法实例

找到一条曲线中的最低点

x=-2:0.1:2;
y=power(x,2)-sin(x);
figure
plot(x,y);
sample=[x',y'];

[output]=SA(sample,1,0,40);
hold on
plot(output(1,1),output(1,2),'ro');
hold off
%%让minT=0，找到的样本是红色圆圈

[output]=SA(sample,1,-1,40);
hold on
plot(output(1,1),output(1,2),'go');
hold off

%%让minT=-1，找到的样本是绿色圆圈