已知函数 ，
前向神经网络结构为 1-3-4 -3-1，
模拟退火算法，
实现对网络的权系数进行优化，对函数的模拟。
回答如下问题：
1、 给出神经网络的结构图及函数表达式
2、 简述对应算法
3、 给出学习过程
（1）、算法原理
（2）、学习误差e<0.005时结束
（3）、按学习的次数，按均匀的等分取10组权系数为结果，记录数据并给出这些数据值
（4）、选择5个典型权系数给出这5 个权系数的优化过程的变化曲线
（5）、比较学习结果的神经网络运行结果曲线与函数的输入输出曲线，指出其差异
（6）、讨论学习中存在的问题
（7）、提出来改进方法
（8）、给出源程序
（9）、给出参考文献
1 引言
模拟退火算法(simulated annealing，SA)作为局部搜索算法的扩展，在每一次修改模型的过程中，随机产生一个新的状态模型，然后以一定的概率选择邻域中能量值大的状态．这种接受新模型的方式使其成为一种全局最优算法，并得到理论证明和实际应用的验证．SA虽然在寻优能力上不容置疑，但它是以严密的退火计划为保证的，具体地讲，就是足够高的初始温度、缓慢的退火速度、大量的迭代次数及同一温度下足够的扰动次数[1].
本文只是通过前向神经网络结构，采用模拟退火算法，实现对网络的权系数进行优化，对函数 的图形模拟。第2部分介绍模拟退火算法（Simulated Annealing）的原理。第3部分分析神经元的学习机理。第4部分阐述模拟退火算法的基本过程以及。第5部分给出本题的流程图和解题结果，并对结果分析。第6部分给出改进方法。第7部分对本次设计的小结。
2 模拟退火算法的原理
模拟退火法(Simulated annealing, SA)是一种用于解决连续、有序离散和多模态优化问题的随机优化技术，它是模拟热力学中经典粒子系统的降温过程，来求解规划问题的极值。当孤立粒子系统的温度以足够慢的速度下降时，系统近似处于热力学平衡状态，最后系统将达到本身的最低能量状态，即基态，这相当于能量函数的全局极小点。由于模拟退火法可以有效地摆脱局部极小值，以任意接近于1地概率达到全局最小值点，因而不论在组合优化问题，还是在连续空间优化问题上都有广泛地应用。
模拟退火法的基本原理如下：
(1）给定初始温度T0，及初始点，计算该点的函数值f(x)。
(2）随机产生扰动 ，得到新点 ，计算新点函数值f(x′),及函数值差Δf=f(x′)-f(x)。
(3）若 ，则接受新点，作为下一次模拟的初始点；
(4）若 ，则计算新点接受概率： ，产生伪随机数r, ，如果 ≥r，则接受新点作为下一次模拟的初始点；否则放弃新点，仍取原来的点作为下一次模拟的初始点。
以上步骤称为Metropolis过程。按照一定的退火方案逐渐降低温度，重复Metropolis过程，就构成了模拟退火优化算法，简称模拟退火法。当系统温度足够低时，就认为达到了全局最优状态。按照热力学分子运动理论，粒子作无规则运动时，它具有的能量带有随机性，温度较高时，系统的内能较大，但是对某个粒子而言，它所具有的能量可能较小。因此算法要记录整个退火过程中出现的能量较小的点。
在模拟退火优化算法中，降温的方式对算法有很大影响。如果温度下降过快，可能会丢失极值点；如果温度下降过慢，算法的收敛速度又大大降低。为了提高模拟退火优化算法的有效性，许多学者提出了多种退火方案，有代表性的有：
（1）经典退火方式：降温公式为：
；特点是温度下降很缓慢，因此，算法的收敛 速度也是很慢的。
（2）快速退火方式：降温公式为：tk+1=α/log(1+tk),式中α可以改善退火曲线的形态。这种退火方式的特点是在高温区，温度的下降是比较快的，而在低温区，降温的速率较小。这符合热力学分子运动理论中，某粒子在高温时，具有较低能量的概率要比在低温时小得多，因此寻优的重点应在低温区。
模拟退火算法的基本组成可以分为：
(1)产生机制：以一定的概率选择一种解，这个概率函数称为生成函数。
(2)接受准则：以一定的概率接受代价函数值的偶然上升，这个概率函数称为接受函数。
(3)控制参数：以一定的冷却方式退火，实际上用控制参数c进行退火控制，以确定随机引入的随机扰动的强度。
(4)代价函数：也成为目标函数，通过对代价函数的比较来决定当前解是否改变，同时，该函数也用来作为算法结束的判断条件。
模拟退火算法通过产生机制产生组合优化问题解的序列，并由与Metropolis准则对应的转移概率Pi
|
1 |
|
当 |
|
其它 |
|
= |
确定是否接受从当前解i到新解j的转移。式中的c∈R+表示控制参数。开始让c取较大的值（与固体的溶解温度相对应），在进行足够多的转移后，缓慢减小c的值，如此重复，直至满足某个停止准则时算法终止。因此，模拟退火算法可视为递减控制参数值时Metropolis算法的迭代。以上就是模拟退火算法的三函数两准则，即状态产生函数，状态接受函数，温度更新函数，内循环终止准则，外循环终止准则。
3 神经元的学习机理
每个神经元的学习机理如图4.1所示：
|
∑ |
|
θi |
|
f [·] |
|
X1 |
|
X2 |
|
Xn |
|
wi1 |
|
wi2 |
|
win |
|
yi |
图3.1
用文字描述其过程为：X1，X2，…，Xnn是神经元的输入,θi是i神经元的阀值,wi1,wi2…win分别是i神经元对X1，X2，…，Xn的权系数，yi是i神经元的输出；f [·]是激发函数。
从神经元模型可以得到神经元的数学模型表达式：
令 ，则上式可写成 。即对每个神经元来说
其输入为
输出为
4模拟退火算法过程
标准的模拟退火法的一般步骤可描述如下：
(1)给定初始温度t=t0，随机产生初始状态si=s0 ,令k=0;
(2)Repeat;
(2.1) Repeat;
( 2.1.1 ) 产生新状态sj=Generate(si);
( 2.1.2 ) if min{1,exp[-(C(sj) –C(si)/tk]}>=random[0,1] si=sj ;
( 2.2.3 )Until 抽样稳定准则满足；
(2.2)退温tk＋1=update(tk)并令k=k+1;
(3)Until算法终止准则满足；
(4)输出算法搜索结果。
具体的描述如下：
①对权系数wij置初值。
对各层的全系数wij置一个较小的非零随机数
②输入一组样本
第一步，任选一初始状态S0作为当前解，并设初始温度T0令i=0;
第二步，令T=Ti,调用Metropolis抽样算法，返回其当前解S,令Si=S;
第三步，按一定方式降低温度，即T=Ti+1 , （Ti+1<Ti ,i=I+1）;
第四步，检查退火过程是否结束，未结束转第二步，结束转第五步；
第五步，以当前解Si作为最优解输出.
上述Metropolis抽样算法如下：
（1） K=0,S(k)=S,在T下执行以下步骤：
（2） 根据当前解S(k),所处状态S，产生一个近邻子集N[S(k)] S, 由N[S(k)]随机地选一个新状态S，作为下一个候选解，计算ΔC=C(S’)-C(S(k))
（3） 若ΔC<0,则接受S’为下一个当前解；若ΔC〉0，则按概率exp(-ΔC/T)接受T’为下一个当前解。若S’被接受，则S(k+1)=S,否则S(k+1)=S（k）。
（4） K=K+1,由某个给定的收敛准则，判断算法是否应该中止。如果是，则转第5步，否则转第2步。
（5） 将当前解返回给调用它的退火过程算法。
③程序流程图
图4.1
5 解题过程与结果分析
5.1 函数 ,
如图5.1
如图5.1
5.2 神经网络结构是 1-3-4 -3-1，
图5.2
5.3 权系数与阀值的选定
初始权系数与阀值的产生
double tempW = 2*((double)(rand()%10000))/10000.0-1; //随机产生值
权系数与阀值的产生是通过伪随机数生成，范围在 之间。
这里随机给出一组数据：
0.449000 -0.507000 -0.859400 0.854400 -0.179600 0.628200 0.401600 0.625000 0.626600 -0.487400 0.528800 -0.624400 -0.080400 -0.342400 0.845800 -0.737400 -0.340600 -0.271200 0.752000 -0.018400 -0.969800 -0.045000 0.847000 0.135200 0.515600 -0.033200 0.699600 -0.072200 0.722000 -0.774200 -0.638000 -0.955400 0.577000 0.183800 -0.825400 -0.668400 0.755000 -0.449000 -0.235800 0.683400 0.864400
其中第4，5，6，19，20，21，22，35，36，37，41个数据是阀值。
5.4 通过网络计算输出
/************************************************************************/
/* 激发函数,用于计算下层神经网络的输出 */
/************************************************************************/
double ActivateFunction(double x)
{
return 1/(1+exp(-x));
}
/************************************************************************/
/*在设定状态下,计算输出 */
/************************************************************************/
double ComputeNetworkOutput(double* Status, double Xi)
{
double tempW[NUMOFW];
double tempX[NUMOFW];
tempW[4] = Status[1]*Xi-Status[4];
tempW[5] = Status[2]*Xi-Status[5];
tempW[6] = Status[3]*Xi-Status[6];
tempX[4] = ActivateFunction(tempW[4]);
tempX[5] = ActivateFunction(tempW[5]);
tempX[6] = ActivateFunction(tempW[6]);
tempW[19] = Status[7]*tempX[4]+Status[8]*tempX[5]+Status[9]*tempX[6]-Status[19];
tempW[20] = Status[10]*tempX[4]+Status[11]*tempX[5]+Status[12]*tempX[6]-Status[20];
tempW[21] = Status[13]*tempX[4]+Status[14]*tempX[5]+Status[15]*tempX[6]-Status[21];
tempW[22] = Status[16]*tempX[4]+Status[17]*tempX[5]+Status[18]*tempX[6]-Status[22];
tempX[19] = ActivateFunction(tempW[19]);
tempX[20] = ActivateFunction(tempW[20]);
tempX[21] = ActivateFunction(tempW[21]);
tempX[22] = ActivateFunction(tempW[22]);
tempW[35] = Status[23]*tempX[19]+Status[24]*tempX[20]+Status[25]*tempX[21]+Status[26]*tempX[22]-Status[35];
tempW[36] = Status[27]*tempX[19]+Status[28]*tempX[20]+Status[29]*tempX[21]+Status[30]*tempX[22]-Status[36];
tempW[37] = Status[31]*tempX[19]+Status[32]*tempX[20]+Status[33]*tempX[21]+Status[34]*tempX[22]-Status[37];
tempX[35] = ActivateFunction(tempW[35]);
tempX[36] = ActivateFunction(tempW[36]);
tempX[37] = ActivateFunction(tempW[37]);
tempW[41] = Status[38]*tempX[35]+Status[39]*tempX[36]+Status[40]*tempX[37]-Status[41];
tempX[41] = ActivateFunction(tempW[41]);
return tempX[41];
}
5.5 权系数与阀值的优化过程取样
这里分别取出第1，1001，2003，3000，4012，5002，6035，7006，7422次迭代之后权系数与阀值的图形。
图 5.5.1 图 5.5.2
图5.5.3 图5.5.4
图5.5.5 图5.5.6
图5.5.7 图5.5.8
以上各图对应得数据，请参看附本”weight.dat”
根据图形可以明显观察出，权系数在最初的变化比较大，但在后期，特别在温度变化很小的情况下，图形的变化很小。这就说明本程序表现的特征比较符合模拟退火算法。
5.6 结果分析
| 编号 | 1 | 2 | 3 | 4 | 5 | 6 |
| 输入x | 0 | 0.1 | 0.2 | 0.3 | 0.4 | 0.5 |
| 原始输出y | 0 | 0.000998 | 0.007947 | 0.026597 | 0.062307 | 0.119856 |
| 目标输出y0 | 0.00246 | 0.003731 | 0.006655 | 0.013767 | 0.031226 | 0.071413 |
| 差值(y0-y) | 0.00246 | 0.002733 | -0.00129 | -0.01283 | -0.03108 | -0.04844 |
| 编号 | 7 | 8 | 9 | 10 | 11 | 12 |
| 输入x | 0.6 | 0.7 | 0.8 | 0.9 | 1 | 1.1 |
| 原始输出y | 0.203271 | 0.315667 | 0.459108 | 0.634495 | 0.841471 | 1.078361 |
| 目标输出y0 | 0.152279 | 0.288838 | 0.481395 | 0.712969 | 0.958491 | 1.195856 |
| 差值(y0-y) | -0.05099 | -0.02683 | 0.022287 | 0.078474 | 0.11702 | 0.117495 |
| 样本编号 | 13 | 14 | 15 | 16 | 17 | 18 |
| 输入x | 1.2 | 1.3 | 1.4 | 1.5 | 1.6 | 1.7 |
| 原始输出y | 1.342136 | 1.628413 | 1.931481 | 2.244364 | 2.558908 | 2.865911 |
| 目标输出y0 | 1.411186 | 1.598567 | 1.757544 | 1.890646 | 2.001693 | 2.094845 |
| 差值(y0-y) | 0.06905 | -0.02985 | -0.17394 | -0.35372 | -0.55722 | -0.77107 |
| 编号 | 19 | 20 | 21 | 22 | 23 | 24 |
| 输入x | 1.8 | 1.9 | 2 | 2.1 | 2.2 | 2.3 |
| 原始输出y | 3.155266 | 3.416143 | 3.63719 | 3.806753 | 3.913123 | 3.944781 |
| 目标输出y0 | 2.174172 | 2.243509 | 2.30647 | 2.366546 | 2.427231 | 2.492185 |
| 差值(y0-y) | -0.98109 | -1.17263 | -1.3307 | -1.44021 | -1.48589 | -1.4526 |
| 编号 | 25 | 26 | 27 | 28 | 29 | 30 |
| 输入x | 2.4 | 2.5 | 2.6 | 2.7 | 2.8 | 2.9 |
| 原始输出y | 3.890668 | 3.740451 | 3.484789 | 3.115599 | 2.626307 | 2.012087 |
| 目标输出y0 | 2.565404 | 2.65143 | 2.755588 | 2.884273 | 3.045295 | 3.248288 |
| 差值(y0-y) | -1.32526 | -1.08902 | -0.7292 | -0.23133 | 0.418988 | 1.236201 |
| 编号 | 31 | 32 | 33 | 34 | 35 | 36 |
| 输入x | 3 | 3.1 | 3.2 | 3.3 | 3.4 | 3.5 |
| 原始输出y | 1.27008 | 0.39959 | 0.597751 | 1.717851 | 2.954055 | 4.297095 |
| 目标输出y0 | 3.50517 | 3.83059 | 4.242289 | 4.761086 | 5.410101 | 6.212669 |
| 差值(y0-y) | 2.23509 | 3.431 | 3.644538 | 3.043235 | 2.456046 | 1.915574 |
| 编号 | 37 | 38 | 39 | 40 | 41 | 42 |
| 输入x | 3.6 | 3.7 | 3.8 | 3.9 | 4 | 4.1 |
| 原始输出y | 5.735065 | 7.253457 | 8.835228 | 10.460923 | 12.10884 | 13.755238 |
| 目标输出y0 | 7.188293 | 8.346381 | 9.678587 | 11.152284 | 12.70917 | 14.272196 |
| 差值(y0-y) | 1.453228 | 1.092924 | 0.843359 | 0.691361 | 0.600329 | 0.516958 |
| 编号 | 43 | 44 | 45 | 46 | 47 | 48 |
| 输入x | 4.2 | 4.3 | 4.4 | 4.5 | 4.6 | 4.7 |
| 原始输出y | 15.374597 | 16.939908 | 18.423016 | 19.794985 | 21.026502 | 22.088305 |
| 目标输出y0 | 15.760202 | 17.104646 | 18.261258 | 19.212633 | 19.963027 | 20.529578 |
| 差值(y0-y) | 0.385605 | 0.164738 | -0.161758 | -0.582352 | -1.063475 | -1.558727 |
| 编号 | 49 | 50 | 51 | 52 | 53 | 54 |
| 输入x | 4.8 | 4.9 | 5 | 5.1 | 5.2 | 5.3 |
| 原始输出y | 22.951633 | 23.588687 | 23.973107 | 24.08044 | 23.888614 | 23.378392 |
| 目标输出y0 | 20.933799 | 21.195243 | 21.327423 | 21.33524 | 21.213062 | 20.942788 |
| 差值(y0-y) | -2.017834 | -2.393444 | -2.645684 | -2.7452 | -2.675552 | -2.435604 |
| 编号 | 55 | 56 | 57 | 58 | 59 | 60 |
| 输入x | 5.4 | 5.5 | 5.6 | 5.7 | 5.8 | 5.9 |
| 原始输出y | 22.533812 | 21.342595 | 19.796522 | 17.891773 | 15.629217 | 13.014647 |
| 目标输出y0 | 20.491986 | 19.813009 | 18.845831 | 17.529344 | 15.826149 | 13.759318 |
| 差值(y0-y) | -2.041826 | -1.529586 | -0.950691 | -0.362429 | 0.196932 | 0.744671 |
| 编号 | 61 | 62 | 63 |
|
|
|
| 输入x | 6 | 6.1 | 6.2 |
|
|
|
| 原始输出y | 10.058958 | 6.778267 | 3.193957 |
|
|
|
| 目标输出y0 | 11.443003 | 9.074857 | 6.875808 |
|
|
|
| 差值(y0-y) | 1.384045 | 2.29659 | 3.681851 |
|
|
|
以上数据对应的图形为图5-1
图5-1
说明一下图中给定的精度是总体样本差，因此当样本数大于2400是就可满足题中的0.005的单位样本差，但精度要求对于100的起始温度而言太高，所以在最后是通过外循环的“零度准则”（外循环终止准则）结束程序的运行。
另外，如图5.2，模拟图形与原图形相差就很小了。但数据没有保留，而且每次即使用同样的参数图形的输出也会相差比较大，学习的效果在多次试验中呈现明显的不确定性，而且数据一样则是不可预期的变化趋势，我想这对于计算机的算法而言是个亟待解决的问题。但我们知道，模拟退火算法的核心思想就是随机优化，也就是说在大量计算的情况下，满足真正的随机平衡过程时，结果才有可能往理想的变化趋势进展。经过同一组数据的多次试验，我们可以看出，该算法对图形的上凸学习效果要远远好于下凸的学习效果，而且即使下凸学习偏理想，也会导致下面图形的学习效果。最初，我以为是对 (函数的二阶导数)敏感，而对 则失去感觉，但在此函数的二阶导数只是相差一个符号，不应该会产生这么大的差距（具体什么原因，我也没弄明白）。
图5.2
还有一点，请参看图5.3。初始温度是5.0 内循环次数是5000，样本数是41。看上去图5.1的学习效果与图5.3的学习效果相差不大，图5.1用了7422次迭代，图5.3则用了10087次迭代。
在数据相差较大的情况下，学习效果却相差不大，这点虽比较符合随机优化中的随机思想，但我觉得与算法的实际应用而言，这是个需要该进之处。
图5.3
6模拟退火方法的不足与改进
6.1 不足之处
通过分析模拟退火法的基本原理，可知，模拟退火法在一系列递减温度下产生的点列，从理论上讲，可以看作是一系列的马尔可夫链（Markov Chains）。在某一温度下多次重复 Metropolis过程，目标函数值的分布规律将满足玻尔兹曼分布规律。如果系统温度以足够慢的速率下降，玻尔兹曼分布就趋向收敛于全局最小状态的均匀分布。也就是说，若按照一定的条件产生无限长的马尔可夫链，模拟退火法就能保证以概率1.0收敛于全局极小点，该结论已被文献［4］证明。文献［4］指出，在某一温度下，只要计算时间足够长，也就是马尔可夫链足够长，其起始点的函数值将以很高的概率低于终止点的函数值，即求得全局最小点。
通过上面的分析可以看出，模拟退火法主要存在以下不足：
（1） 尽管理论上只要计算时间足够长，模拟退火法就可以保证以概率1.0收敛于全局最优点。但是在实际算法的实现过程中，由于计算速度和时间的限制，在优化效果和计算时间二者之间存在矛盾，因而难以保证计算结果为全局最优点，优化效果不甚理想。
（2） 在每一温度下很难判定是否达到了平衡状态，即马尔可夫链的长度不易控制，反应到算法上，就是Metropolis过程的次数不易控制。
（3） 模拟退火算法中的两种退火方式，T始终按照优化前给定的规律变化而没有修正，这是不科学的。
为了解决模拟退火法存在的不足，台湾学者Feng-Tse Lin等人曾提出了用遗传算法的优点来改进模拟退火算法的模拟退火-遗传算法。本文将在退火过程中综合考虑计算结果及搜索路径而确定T的取值方法的自适应模拟退火法与遗传算法相结合，形成自适应模拟退火-遗传算法，从而改进模拟退火算法本身所存在的不足。
6.2 算法的改进
这里也主要引用相关文献的介绍，改进主要从两个方面进行。
6.2.1 改进退火过程
(1）给定初始温度To,随机产生初始状态s，令初始最优解S’=S,当前的状态为S(0)＝S, i,p=0;
(2)令T=Ti,令当前的状态S(i)=S’(k);
(3)判断C(S*<C(S*’)？若是，则令p=p+1;否则，令S*=S*’,p=0；
（4）退温Ti+1=update(Ti)，令i=i+1;
(5)判断p>step2?若是，则转到第6步，否则，返回第2步；
6.2.2 改进的抽样过程
(1) 令k=0时的初始当前状态S’(0)=S(i),初始S*’=S*,q=0
(2) 由状态i通过状态产生函数产生新状态S’,计算增量 .
(3) 若 ，则接受S’作为当前解，并判断C(S*’)>C(S’)?如果是，则令S*’=S’,q=0;
否则，令q=q+1；如果 ,则以概率exp(- )接受S’作为下一当前状态。若S’被接受，令S’(k+1)=S’, q=q+1;否则，令S’(k+1)=S’(k).
(4) 令k=k+1,判断q>step(1)?如果是，就转(5),否则返回(2).
(5) 将当前最优解S*’返回到改进退火过程。
7 小结
通过对模拟退火算法的课程设计，从中学到了一些重要的算法思想和方法
模拟退火算法的随机优化思想，随机在目标明确的问题优化中的应用，这实际是由一种不确定性，按一种确定的方向进行变化，由不确定走向确定的过程。模拟退火的关键是掌握问题的目标和优化的对象，在理清楚这两个方面后，模拟退火的核心就是在不断降温的逼近目标的过程中，通过一定的随机策略和控制策略，实现对对象的优化，降温与优化是个并行过程。
对于SA，三函数两准则就是算法的组成部分。这里主要对状态产生函数谈点感想。状态产生函数是应用一定的随机函数对当前的状态进行修改，本题是对权系数与阀值的修改，我认为这里体现了算法的精华，另一处就是 时的接受函数，当然降温函数也是个重要部分。比较而言，我认为状态产生函数最值得研究。由于有许多组数据需要优化，而每次只能对权系数与阀值在一组数据上进行优化，即对权系数与阀值的优化是对随机选择的一组数据优化。那如何对整个数据进行优化呢？整个数据，则会有每组数据都产生期望输出与实际输出（或称目标输出）的差异，因而每组数据都会生成代价，此代价对于单个数据而言是减小的，当对于取样的整个数据而言，可能是增加。因而，我认为应该计算整体的代价，即整体样本才是本题的优化对象。
在编程过程中，不断修改产生函数，最初选择的是 ,经试验，收敛太慢，后来改用 ，效果要好。最初的温度下降函数选用的t(i+1)=t0/(1+log(currentTemperature)),经比较也不如t(i+1)=t(i)*0.95,虽然前者在前期温度的变化较明显，但后来出于几乎不变的状态，这对不断降温明显是个设计问题。
另外，为了方便演示，我将整个程序设计成GUI，可以方便查看神经网络结构，修改精度，初始温度，内循环数以及样本数。同时，温度与权系数的变化也可以在界面上动态更新。该小程序还利用了matcom实现画图，将最终结果显示在画面上，由于权系数变化太快，不好随时更新，于是数据保留在文件中，最终只是以一定的间隔抽取，通过matcom画图。这次设计基本完成了题目给定的目标，还有许多地方要加以改进。
[1] 模拟退火算法机理研究 陈华根 吴健生 王家林 陈 冰 同济大学海洋地质教育部重点实验室，上海20009
[2] 问题求解的人工智能神经网络方法 王士同陈剑夫等编著 气象出版社
[3] 神经网络模糊逻辑控制 余永权著 电子工业出版社
[4] 智能优化算法及其应用 王凌 清华大学出版社，施普林格出版社，2001
[5] http://bbs.matwav.com/index.html
[6]http://www.programsalon.com/search_db.asp?keyword=%C9%F1%BE%AD%CD%F8%C2%E7&search_type=code
//
//程序源码：以下是主要代码，由于涉及界面，消息传递，多线程等附加部分，加上会有碍//视听。原始输入（original.dat）与目标输出(NeuroNetwork.dat)，还有每次迭代变化的//权系数与阀值(weight.dat)都存储在文件中。
#include "StdAfx.h"
#include "saa.h"
/************************************************************************/
/*函数名:SetOriginalX 功能:根据函数定义域和步长设置X */
/************************************************************************/
void SetOriginalX(double* OriginalX)
{
double dStep = 0;
dStep = (2*PI-0)/(NUMOFDEVIDE-1);
for (int i = 1;i < NUMOFDEVIDE;i++)
{
OriginalX[i] = (i-1)*dStep;
}
}
/************************************************************************/
/* 功能:根据f(x)=|sin(x)|*x^2 计算y */
/************************************************************************/
void ComputerY(double* X, double* Y)
{
for (int i = 1;i < NUMOFDEVIDE;i++)
{
Y[i] = fabs(sin(X[i]))*X[i]*X[i];
}
}
/************************************************************************/
/* 功能:将x归一化 */
/************************************************************************/
void TransformX(double* OriginalX, double* StandardX)
{
for (int i = 1;i < NUMOFDEVIDE;i++)
{
StandardX[i] = OriginalX[i] / (2*PI);
}
}
/************************************************************************/
/* 功能:将y归一化 */
/************************************************************************/
void TransformY(double* OriginalY, double* StandardY)
{
for (int i = 1;i < NUMOFDEVIDE;i++)
{
StandardY[i] = OriginalY[i] / (Y_MAX-Y_MIN);
}
}
/************************************************************************/
/* 初始化温度 */
/************************************************************************/
double InitTemperature(double T)
{
return T;
}
/************************************************************************/
/* 初始化状态 */
/************************************************************************/
void InitStatus(double* Status)
{
for (int i = 1; i < NUMOFW; i++)
{
double tempW = 2*((double)(rand()%10000))/10000.0-1;
Status[i] = tempW;
}
}
/************************************************************************/
/* 保存状态 */
/************************************************************************/
void StoreStatus(double* Status, double* DestStatus)
{
for (int i = 1; i < NUMOFW; i++)
{
DestStatus[i] = Status[i];
}
}
/************************************************************************/
/* 产生函数 */
/************************************************************************/
double GenerateFunction(double Cur1Status, double CurTemperature)
{
// double newValue = 0.0;
// double deltaW = exp(-Cur1Status*Cur1Status/CurTemperature);
// newValue = Cur1Status + deltaW;
// return newValue;
double newValue = 0.0;
double Random = ((double)(rand()%10000))/10000.0;
double deltaW = PI*tan(Random-0.5);//exp(-Cur1Status*Cur1Status/CurTemperature);
newValue = Cur1Status + deltaW;
return newValue;
}
/************************************************************************/
/* 产生新状态 */
/************************************************************************/
void GenerateNewStatus(double* CurStatus, double* NewStatus,double CurTemperature)
{
StoreStatus(CurStatus, NewStatus);
int nIndex;
while((nIndex = rand() % NUMOFW)==0);
NewStatus[nIndex] = GenerateFunction(CurStatus[nIndex],CurTemperature);
// int numToChange;
// StoreStatus(CurStatus, NewStatus);
// while((numToChange = rand() % NUMOFW)==0);
// for (int i = 1; i < numToChange;i++)
// {
// int nIndex;
// while((nIndex = rand() % NUMOFW)==0);
// NewStatus[nIndex] = GenerateFunction(CurStatus[i],CurTemperature);
// }
}
/************************************************************************/
/* 激发函数,计算下层神经网络的输出 */
/************************************************************************/
double ActivateFunction(double x)
{
return 1/(1+exp(-x));
}
/************************************************************************/
/*在设定状态下,计算输出 */
/************************************************************************/
double ComputeNetworkOutput(double* Status, double Xi)
{
double tempW[NUMOFW];
double tempX[NUMOFW];
tempW[4] = Status[1]*Xi-Status[4];
tempW[5] = Status[2]*Xi-Status[5];
tempW[6] = Status[3]*Xi-Status[6];
tempX[4] = ActivateFunction(tempW[4]);
tempX[5] = ActivateFunction(tempW[5]);
tempX[6] = ActivateFunction(tempW[6]);
tempW[19] = Status[7]*tempX[4]+Status[8]*tempX[5]+Status[9]*tempX[6]-Status[19];
tempW[20] = Status[10]*tempX[4]+Status[11]*tempX[5]+Status[12]*tempX[6]-Status[20];
tempW[21] = Status[13]*tempX[4]+Status[14]*tempX[5]+Status[15]*tempX[6]-Status[21];
tempW[22] = Status[16]*tempX[4]+Status[17]*tempX[5]+Status[18]*tempX[6]-Status[22];
tempX[19] = ActivateFunction(tempW[19]);
tempX[20] = ActivateFunction(tempW[20]);
tempX[21] = ActivateFunction(tempW[21]);
tempX[22] = ActivateFunction(tempW[22]);
tempW[35] = Status[23]*tempX[19]+Status[24]*tempX[20]+Status[25]*tempX[21]+Status[26]*tempX[22]-Status[35];
tempW[36] = Status[27]*tempX[19]+Status[28]*tempX[20]+Status[29]*tempX[21]+Status[30]*tempX[22]-Status[36];
tempW[37] = Status[31]*tempX[19]+Status[32]*tempX[20]+Status[33]*tempX[21]+Status[34]*tempX[22]-Status[37];
tempX[35] = ActivateFunction(tempW[35]);
tempX[36] = ActivateFunction(tempW[36]);
tempX[37] = ActivateFunction(tempW[37]);
tempW[41] = Status[38]*tempX[35]+Status[39]*tempX[36]+Status[40]*tempX[37]-Status[41];
tempX[41] = ActivateFunction(tempW[41]);
return tempX[41];
}
/************************************************************************/
/* 计算新状态与当前状态总代价差 */
/************************************************************************/
double CalcTotalCost(double* NewStatus, double* CurStatus, double* StandardX, double* StandardY)
{
double NewCost = 0.0;
double CurCost = 0.0;
double CurY = 0.0;
double NewY = 0.0;
double deltaTotal = 0.0;
double CurDelta = 0.0;
double NewDelta = 0.0;
for (int i = 1; i < NUMOFDEVIDE; i++)
{
CurY = ComputeNetworkOutput(CurStatus, StandardX[i]); //计算出单个x经过神经网络的输出
CurCost = fabs(CurY-StandardY[i]);
NewY = ComputeNetworkOutput(NewStatus, StandardX[i]);
NewCost = fabs(NewY-StandardY[i]);
CurDelta += CurCost;
NewDelta += NewCost;
}
deltaTotal = NewDelta - CurDelta;
return deltaTotal;
}
/************************************************************************/
/* 计算与目标理想的差 */
/************************************************************************/
double CalcTotalDiffer(double *CurStatus,double* StandardX, double* StandardY)
{
double differ = 0.0;
double tempY;
double totalDiffer = 0.0;
for (int i = 1; i < NUMOFDEVIDE; i++)
{
tempY = ComputeNetworkOutput(CurStatus, StandardX[i]);
differ = fabs(tempY-StandardY[i]);
totalDiffer += differ;
}
return totalDiffer;
}
/************************************************************************/
/* 接受更新 */
/************************************************************************/
void AcceptNewStatus(double* NewStatus, double* CurStatus)
{
StoreStatus(NewStatus,CurStatus);
}
/************************************************************************/
/* 计算更新概率 */
/************************************************************************/
double UpdateProbability(double deltaTotalDiffer, double CurTemperature)
{
return min(1,1/(1+exp(deltaTotalDiffer/CurTemperature)));
}
/************************************************************************/
/* 内循环终止判断 */
/************************************************************************/
int InternalLoopOver(int Mode,int InternalIterNumber)
{
// switch(Mode)
// {
// case 0:
// if (InternalIterNumber > NUMOFITER)
// {
// return 1;
// }
// else
// {
// return 0;
// }
// break;
// default:
// return 0;
// }
if (InternalIterNumber > NUMOFITER)
{
return 1;
}
else
{
return 0;
}
}
/************************************************************************/
/* 外循环终止判断 */
/************************************************************************/
int ExternalLoopOver(int Mode,double CurTemperature, double TotalDiffer)
{
// switch(Mode)
// {
// case 0:
// if (CurTemperature <= 0.01)
// {
// return 1;
// }
// else
// {
// return 0;
// }
// //break;
// case 1:
// if ((deltaTotalDiffer < 0.05)||CurTemperature <= 0.01)
// {
// return 1;
// }
// else
// {
// return 0;
// }
// //break;
// default:
// return 0;
// }
if (TotalDiffer < PRECISION ||CurTemperature <= 0.01)
{
return 1;
}
else
{
return 0;
}
}
double UpdateTemperature(double CurTemperature,int Mode)
{
// switch(Mode)
// {
// case 0:
// return 0.95*CurTemperature;
// //break;
// default:
// return 0.01;
// }
return 0.95*CurTemperature;
// return TEMPERATURE/(1+log(CurTemperature));
}
void Output(int Mode, double* Status,double Temperature,int ExterIterNum)
{
cout<<"迭代次数为:"<<ExterIterNum<<endl;
switch(Mode)
{
case 0:
cout<<"初始权系数与阀值为:"<<endl;
break;
case 1:
cout<<"最终权系数与阀值为:"<<endl;
break;
default:
break;
}
for (int i = 1; i < NUMOFW; i++)
{
cout<<Status[i]<<endl;
}
switch(Mode)
{
case 0:
cout<<"初始温度为:"<<endl;
break;
case 1:
cout<<"最终温度为:"<<endl;
break;
default:
break;
}
cout<<Temperature<<endl;
}
/************************************************************************/
/* 存储权系数到文件 */
/************************************************************************/
void StoreWeight2File(double* Status,FILE *fp)
{
for(int i = 1;i<NUMOFW; i++)
{
fprintf(fp,"/t%f",Status[i]);
}
fprintf(fp,"/n");
}
void StoreWeight2Ctrl(double* Status,CString &str)
{
CString strtmp;
for(int i = 1;i<NUMOFW; i++)
{
strtmp.Format(",%f",Status[i]);
str+=strtmp;
}
}
double RandomFunc()
{
return ((double)(rand()%10000))/10000.0;
}
/************************************************************************/
/* 主函数:sa算法的主体 */
/************************************************************************/
UINT SAAMain(LPVOID pParam)
{
double* OriginalX0 = new double[NUMOFDEVIDE]; //保存原始的X
double* OriginalY0 = new double[NUMOFDEVIDE]; //保存原始的Y
double* StandardX0 = new double[NUMOFDEVIDE]; //保存归一化后的原始X
double* StandardY0 = new double[NUMOFDEVIDE]; //保存归一化后的原始Y
double T0 = 0; //保存初始温度
double CurrentTemperature = 0;
double Status0[NUMOFW]; //保存最初的状态(权系数与阀值)
double CurrentStatus[NUMOFW]; //当前状态(权系数与阀值)
double NewStatus[NUMOFW]; //新状态
double Probability = 0;
double Random = 0;
double TotalDiffer = 0.0;
int InternalIterNumber = 0;
int ExternalIterNumber = 0;
SetOriginalX(OriginalX0);
ComputerY(OriginalX0,OriginalY0);
TransformX(OriginalX0,StandardX0);
TransformY(OriginalY0,StandardY0);
// char* pszWeightFileName = "Weight.dat";
// CFile* pWeightFile(pszWeightFileName, CFile::modeCreate|CFile::modeWrite);
FILE* pf;
char* pFileName = "Original.dat";
FILE* pf1;
char* pFileName1 = "NeuroObject.dat";
FILE* pf_w;
char* pFileName_w = "Weight.dat";
if(((pf=fopen( pFileName, "wt")) != NULL))
{
cout <<"File open or create error!/n"<<endl;
}
if(((pf1=fopen( pFileName1, "wt")) != NULL))
{
cout <<"File open or create error!/n"<<endl;
}
if(((pf_w=fopen( pFileName_w, "wt")) != NULL))
{
cout <<"File open or create error!/n"<<endl;
}
CString strTemp;
T0 = InitTemperature(TEMPERATURE);
CurrentTemperature = T0;
SendMessage((HWND)pParam,MYWM_UPDATET,(WPARAM)(&CurrentTemperature),(LPARAM)0);
srand((unsigned)time(NULL));
InitStatus(CurrentStatus); //初始化最初状态
StoreStatus(CurrentStatus,Status0); //保存最初的状态
strTemp.Format("当前的温度为:%f/r/n迭代次数为:%d/r/n当前权系数为:/r/n",CurrentTemperature,
(InternalIterNumber+NUMOFITER*ExternalIterNumber));
// int nLength = strTemp.GetLength();
// char *sz = new char[nLength];
// sz = strTemp.GetBuffer(0);
// pWeightFile->Write(sz,nLength);
// CListBox *pListBox = (CListBox*)pParam;
// HWND hListBox = pListBox->GetSafeHwnd();
// fprintf(pf_w,"当前的温度为:%f/n迭代次数为:%d/n当前权系数为:/n",CurrentTemperature,
// (InternalIterNumber+NUMOFITER*ExternalIterNumber));
// StoreWeight2Ctrl(CurrentStatus,strTemp);
// ::SendMessage((HWND)pParam, MYWM_INFOEDIT, (WPARAM)(&strTemp), (LPARAM)0);
::SendMessage((HWND)pParam, MYWM_INFOEDIT, (WPARAM)(CurrentStatus), (LPARAM)0);
StoreWeight2File(CurrentStatus,pf_w);
TotalDiffer = CalcTotalDiffer(CurrentStatus,StandardX0,StandardY0);
if (TotalDiffer < PRECISION)
{
fclose(pf);
fclose(pf1);
fclose(pf_w);
return 0;
}
/* StoreWeight2File(CurrentStatus,pWeightFile);*/
// Output(0,Status0,T0,ExternalIterNumber);
/* T0 = InitTemperature();*/
while (1)
{
double deltaTotal = 0.0;
while (1)
{
GenerateNewStatus(CurrentStatus, NewStatus,CurrentTemperature);
deltaTotal = CalcTotalCost(NewStatus,CurrentStatus,StandardX0,StandardY0);
if (deltaTotal <= 0)
{
AcceptNewStatus(NewStatus,CurrentStatus); //接受修改
// strTemp.Format("当前的温度为:%f/r/n迭代次数为:%d/r/n当前权系数为:/n",CurrentTemperature,
// (InternalIterNumber+NUMOFITER*ExternalIterNumber));
// StoreWeight2Ctrl(CurrentStatus,strTemp);
// ::SendMessage((HWND)pParam, MYWM_INFOEDIT, (WPARAM)(&strTemp), (LPARAM)0);
::SendMessage((HWND)pParam, MYWM_INFOEDIT, (WPARAM)(CurrentStatus), (LPARAM)0);
fprintf(pf_w,"当前的温度为:%f/n迭代次数为:%d/n当前权系数为:/n",CurrentTemperature,
(InternalIterNumber+NUMOFITER*ExternalIterNumber));
StoreWeight2File(CurrentStatus,pf_w);
}
else
{
Probability = UpdateProbability(deltaTotal,CurrentTemperature);
Random = RandomFunc();
if (Probability > Random)
{
AcceptNewStatus(NewStatus,CurrentStatus); //接受修改
// strTemp.Format("当前的温度为:%f/r/n迭代次数为:%d/r/n当前权系数为:/n",CurrentTemperature,
// (InternalIterNumber+NUMOFITER*ExternalIterNumber));
// StoreWeight2Ctrl(CurrentStatus,strTemp);
// ::SendMessage((HWND)pParam, MYWM_INFOEDIT, (WPARAM)(&strTemp), (LPARAM)0);
::SendMessage((HWND)pParam, MYWM_INFOEDIT, (WPARAM)(CurrentStatus), (LPARAM)0);
fprintf(pf_w,"当前的温度为:%f/n迭代次数为:%d/n当前权系数为:/n",CurrentTemperature,
(InternalIterNumber+NUMOFITER*ExternalIterNumber));
StoreWeight2File(CurrentStatus,pf_w);
}
//else 当前状态不变
}
if (InternalLoopOver(0,InternalIterNumber))
{
break; //跳出内循环
}
else
{
InternalIterNumber++;
}
TotalDiffer = CalcTotalDiffer(CurrentStatus,StandardX0,StandardY0);
if (TotalDiffer < PRECISION)
{
break;
}
}
// TotalDiffer = CalcTotalDiffer(CurrentStatus,StandardX0,StandardY0);
if (ExternalLoopOver(1,CurrentTemperature,TotalDiffer))
{
break; //跳出外循环
}
else
{
CurrentTemperature=UpdateTemperature(CurrentTemperature,0);
SendMessage((HWND)pParam,MYWM_UPDATET,(WPARAM)(&CurrentTemperature),(LPARAM)0);
ExternalIterNumber++;
InternalIterNumber = 0;
}
}
// char* pszOriginalFileName = "Original.dat";
// CFile OriginalFile(pszOriginalFileName, CFile::modeCreate|CFile::modeWrite);
// char* pszObjectFileName = "NeuroObject.dat";
// CFile ObjectFile(pszObjectFileName, CFile::modeCreate|CFile::modeWrite);
// double dStep = 0.0;
// double dY = 0.0;
// for (;dStep < 2*PI; dStep += 0.1)
// {
// dY = fabs(sin(dStep))*dStep*dStep;
// strTemp.Format("/t%f",dY);
// int nLength = strTemp.GetLength();
// char *sz = new char[nLength];
// sz = strTemp.GetBuffer(0);
// OriginalFile.Write(sz,nLength);
// delete [] sz;
// }
// strTemp.Format("/n");
// nLength = strTemp.GetLength();
// sz = new char[nLength];
// sz = strTemp.GetBuffer(0);
// OriginalFile.Write(sz,nLength);
// delete [] sz;
// for (;dStep < 2*PI; dStep += 0.1)
// {
// dY = ComputeNetworkOutput(CurrentStatus, dStep/(2*PI))*(Y_MAX-Y_MIN);;
// strTemp.Format("/t%f",dY);
// int nLength = strTemp.GetLength();
// char *sz = new char[nLength];
// sz = strTemp.GetBuffer(0);
// OriginalFile.Write(sz,nLength);
// delete [] sz;
// }
// strTemp.Format("/n");
// nLength = strTemp.GetLength();
// sz = new char[nLength];
// sz = strTemp.GetBuffer(0);
// OriginalFile.Write(sz,nLength);
// delete [] sz;
//
// OriginalFile.Close();
// ObjectFile.Close();
// pWeightFile->Close();
/* Output(1,CurrentStatus,CurrentTemperature,ExternalIterNumber);*/
SendMessage((HWND)pParam,MYWM_DRAWPIC,(WPARAM)(CurrentStatus),(LPARAM)0);
double dStep = 0.0;
double dY = 0.0;
for (;dStep < 2*PI; dStep += 0.1)
{
dY = fabs(sin(dStep))*dStep*dStep;
fprintf(pf,"/t%f",dY);
}
for (dStep =0.0;dStep < 2*PI; dStep+=0.1)
{
dY = ComputeNetworkOutput(CurrentStatus, dStep/(2*PI))*(Y_MAX-Y_MIN);
fprintf(pf1,"/t%f",dY);
}
// cout <<"/nTotalDiffer:"
//<<CalcTotalDiffer(CurrentStatus,StandardX0,StandardY0)<<endl;
// double y = fabs(sin(PI/9))*(PI/9)*(PI/9)/(Y_MAX-Y_MIN);
// double y0 = ComputeNetworkOutput(CurrentStatus, 1.0/18);
// cout<< "Differ:"<<(y-y0)<<endl;
fclose(pf);
fclose(pf1);
fclose(pf_w);
SendMessage((HWND)pParam,MYWM_EXITBTN,(WPARAM)(&CurrentTemperature),(LPARAM)0);
delete [] OriginalX0;
delete [] OriginalY0;
delete [] StandardX0;
delete [] StandardY0;
return 0;
}
由于上传图片太麻烦，这里给出全文下载
http://download1.csdn.net/down3/20070601/01124436747.pdf
扫一扫
1566
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
