模拟退火算法

模拟退火算法

算法简介

模拟退火算法来源于固体退火原理，是一种基于概率的算法，其出发点是基于物理中固体物质的退火过程与一般组合优化问题之间的相似性。模拟退火算法从某一较高初温出发，伴随温度参数的不断下降,结合概率突跳特性在解空间中随机寻找目标函数的全局最优解，即在局部最优解能概率性地跳出并最终趋于全局最优，适用的问题通常是一些求最优解的问题

如果把问题抽象地看成一个长成这样的毫无规律的函数，而最优解就是函数的最低点
摘自博客园某位大佬

我们通常会想到一种简单粗暴的方法——贪心

选择问题的某一个状态，然后不断向更优的情况靠近

比如从A出发，可以获得局部最优解B，但这显然不是全局最优解，这样做的局限性是，局限

在局部的一个凹部分而无法跳出去去寻找更优的解

为了解决这一问题，科学家们想到了物理的退火降温的过程——

一个处于很高温度的物体，现在要给它降温，使物体内能降到最低。

我们常规的思维是，越快越好，让它的温度迅速地降低。

然而，实际上，过快地降温使得物体来不及有序地收缩，难以形成结晶。而结晶态，才是物体真正内能降到最低的形态。

正确的做法，是徐徐降温，也就是退火，才能使得物体的每一个粒子都有足够的时间找到自己的最佳位置并紧密有序地排列。开始温度高的时候，粒子活跃地运动并逐渐找到一个合适的状态。在这过程中温度也会越降越低，温度低下来了，那么粒子也渐渐稳定下来，相较于以前不那么活跃了。这时候就可以慢慢形成最终稳定的结晶态了。

算法描述

1. 设置参数：

	1. ΔT   	温度下降速度，每次温度等于上一次温度乘上ΔT，实际应用时一般取0.95−0.99，模拟徐徐降温
	2.  T       系统初始温度(充分大)
	3. eps      搜索停止阈值（一般为一个很小的数）
	4. T_min    温度的下限，若温度降至T_min则搜索停止
	5. Y（i）   当前状态的评价值
	6. Y（i+1） 下一次新的状态的评价值


参数设置的不同，所得结果也可能不相同，只有参数设置合适的大小，才能在一定的时间内更大概率得到最优解
（借鉴大佬的经验+1+1+1+1+1....+1）

首先，根据数据范围和精度要求，可以基本确定EPS的大小了，不过也需要尝试手动微调。
比较麻烦的是温度和变动率。首先不必顾虑，都开大一点，先把最优解跑出来。
然后，手动二分吧，注意每个二分的值要多跑几遍，因为模拟退火有偶然性，一次跑出最优解不代表大部分时候都能。

dalao总结了一种方法：观察法
一边退火一边输出当前的温度、解等信息，通过观察大致感受一下解的降低速率
一般来说，如果解的降低速率比较均匀，跑出来的最优解也就好一些
不均匀的话，就调整参数，将解的降低速率较快的时间段的ΔT变大一点，速率就能减慢一点。反之同理。

2. 算法描述：

• 若Y（i+1）> Y(i) 即答案值变换后，可以获得更优解，则可以将状态变换
• 若Y（i+1）<= Y(i) 即答案变换后得到的解更差，我们一定概率接受它的变换，这个概率随着时间而逐渐降低，这个概率表示exp(-ΔT/T)
• T逐渐降低且T趋近于0，直至T_min终止，获得答案

3.算法步骤：

while(T<T_min)
    {
        if(Y(i+1) > Y(i))
            Y(i + 1) = Y(i);
        else
        {
            if(exp(ΔT/T) > random(0,1))
                Y(i + 1) = Y(i);
        }
        T *= ΔT;
    }

南昌理工acm集训队