模拟退火算法介绍-代码实现

1、爬山算法

爬山算法是一种非常简单的贪心算法，它总是从当前解的邻近解中选择最优解作为当前解，直到达到局部最优解。爬山算法的算法过程如下图所示：

假设当前解从C点开始，经过若干次的邻近最优解搜索，到达了局部最优解A，此时A的邻近解中没有比当前解更优的，因此爬山算法到此结束，返回的最优解A。很明显，最优解应该是B点处的解，这便是爬山算法最大的弊端：极容易陷入局部最优。

2、模拟退火算法

由爬山算法可以得到一定的启发：如果在达到局部最优解时，程序能跳出局部最优，那就有极大的可能寻找到全局最优解。

模拟退火算法就是基于上述的思想，如果新解比当前解要差，那么就以一定的概率接受这个新解，这样就有可能跳出局部最优从而达到全局最优。以图1为例，当到达局部最优A点时，程序会以一定的概率移动到E点，再以一定的概率移动到D点，从而极有可能到达全局最优点B点。

模拟退火算法的步骤如下：

1. 定义四个参数值：初始温度T，每个温度t的迭代次数L，温度衰退系数Dec（小于1），最低温度T_END
2. 初始解状态S
3. 在温度t下迭代步骤（4）至（6）L次
4. 产生新的解S’
5. 计算新解的效果值dX = f(S’) - f(S)，其中f为结果值的计算函数。
6. 如果dX<0，表示新解S’更优，则接受新解作为当前解，否则以概率exp(-dX/t)接受新解S’作为当前解
7. 温度衰退，t = t * Dec
8. 如果t>T_END，返回步骤3，否则程序终止，得到最终解。

模拟退火算法的流程图如下所示：

3、模拟退火算法解决旅行商问题的实现 

# -*- coding:utf-8 -*-
import math
import time
import random

# 初始温度值
T = 5000
# 结束温度值
T_end = 1e-8
# 在当前温度下的循环次数
L = 100
# 温度衰退系数
delta = 0.98

# 31个城市的坐标
citys = [[1304,2312],[3639,1315],[4177,2244],[3712,1399],[3488,1535],[3326,1556],[3238,1229],[4196,1004],[4312,790],[4386,570],[3007,1970],[2562,1756],[2788,1491],[2381,1676],[1332,695],[3715,1678],[3918,2179],[4061,2370],[3780,2212],[3676,2578],[4029,2838],[4263,2931],[3429,1908],[3507,2367],[3394,2643],[3439,3201],[2935,3240],[3140,3550],[2545,2357],[2778,2826],[2370,2975]]

# 存储城市间的距离
d = [[0 for i in range(31)] for j in range(31)]

# 最终的路径
ansPath = []


def getTwoCityDistance(i , j):
   return math.sqrt((citys[i][0]-citys[j][0])**2 + (citys[i][1]-citys[j][1])**2)

def calcCityDistance():
    n = len(citys)
    for i in range(n):
        for j in range(i , n):
            d[i][j] = d[j][i] = getTwoCityDistance(i, j)

def getNewPath(oldPath):
    i = random.randint(0, len(oldPath)-1)
    j = random.randint(0, len(oldPath)-1)

    oldPath[i], oldPath[j] = oldPath[j], oldPath[i]
    return oldPath

def getPathDistance(path):
    dist = 0
    for i in range(len(path)-1):
        dist += d[path[i]][path[i+1]]
    return dist

# 是否采纳当前解
#   1、新值比旧值小
#   2、概率采纳
def metropolis(dOld, dNew, t):
    de = dNew - dOld
    if de<0:
        return True
    if (math.e**(-de/t)>random.random()):
        return True
    return False

def Saa():

    delCnt = 0
    calcCityDistance()

    ansPath = range(0, len(citys))

    t = T
    result = 0
    while t >= T_end:
        for i in range(0, L):
            newPath = getNewPath(ansPath)
            dNew = getPathDistance(newPath)
            dOld = getPathDistance(ansPath)
            result = dOld
            if (metropolis(dOld, dNew, t)==True):
                result = dNew
                ansPath = newPath
        t *= delta
        delCnt+=1

    print("Path:")
    print(ansPath)

    print("PathDistance:")
    print(result)

    print("CoolDown Time:")
    print(delCnt)

start = time.time()

Saa()

end = time.time()

print("Cost Time= %d s" % (end-start))

4、模拟退火算法的应用

模拟退火算法的应用很广泛，可以高效求解NP问题，如旅行者问题（TSP）、0-1背包问题、图着色问题等等。在实际应用中，主要需要控制以下三个参数，兼顾搜索空间与搜索效率的平衡：

1. 初始温度值T。温度T的设置是影响退火算法全局搜索性能的重要因素。初始温度高，则搜索到全局最优解的可能性大，但要耗费较长的计算时间。
2. 每个温度t下的迭代次数L，影响退火速度。同一温度下充分的搜索空间也是相当必要的，但是同时需要考虑到，L越大带来的计算时间消耗也就越多。
3. 温度衰退问题。在实际应用中，一般采用公式t = t * dec进行温度衰退，dec小于1，并且最好接近1，且一般为0.98或0.95，为了保证较大的解空间。

 

参考链接：

https://www.cnblogs.com/sench/p/9427193.html

https://www.jianshu.com/p/f04fe7b58080