MATLAB-----模拟退火

已于 2023-08-08 15:23:55 修改
阅读量656 收藏 2
点赞数
分类专栏： MATLAB可视化 数据可视化 可视化 文章标签： matlab 图论 线性代数 矩阵 几何学
于 2022-04-16 14:05:39 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/m0_38127487/article/details/124212815
版权
可视化 同时被 3 个专栏收录
526 篇文章 19 订阅
订阅专栏
MATLAB可视化
286 篇文章 31 订阅
订阅专栏
数据可视化
236 篇文章 15 订阅
订阅专栏

在这里插入图片描述

% clc;
close all;clear all;
p=[ 1739.94	1675.15	2395.96
373.3	3087.05	2429.47
1756.77	1652	1514.98
864.45	1647.31	2665.9
222.85	3059.54	2002.33
877.88	2031.66	3071.18
1803.58	1583.12	2163.05
2352.12	2557.04	1411.53
401.3	3259.94	2150.98
363.34	3477.95	2462.86
1571.17	1731.04	1735.33
104.8	3389.83	2421.83
499.85	3305.75	2196.22
2297.28	3340.14	535.62
2092.62	3177.21	584.32
1418.79	1775.89	2772.9
1845.59	1918.81	2226.49
2205.36	3243.74	1202.69
2949.16	3244.44	662.42
1692.62	1867.5	2108.97
1680.67	1575.78	1725.1
2802.88	3017.11	1984.98
172.78	3084.49	2328.65
2063.54	3199.76	1257.21
1449.58	1641.58	3405.12
1651.52	1713.28	1570.38
341.59	3076.62	2438.63
291.02	3095.68	2088.95
237.63	3077.78	2251.96
1702.8	1639.79	2068.74
1877.93	1860.96	1975.3
867.81	2334.68	2535.1
1831.49	1713.11	1604.68
460.69	3274.77	2172.99
2374.98	3346.98	975.31
2271.89	3482.97	946.7
1783.64	1597.99	2261.31
198.83	3250.45	2445.08
1494.63	2072.59	2550.51
1597.03	1921.52	2126.76
1598.93	1921.08	1623.33
1243.13	1814.07	3441.07
2336.31	2640.26	1599.63
354	3300.12	2373.61
2144.47	2501.62	591.51
426.31	3105.29	2057.8
1507.13	1556.89	1954.51
343.07	3271.72	2036.94
2201.94	3196.22	935.53
2232.43	3077.87	1298.87
1580.1	1752.07	2463.04
1962.4	1594.97	1835.95
1495.18	1957.44	3498.02
1125.17	1594.39	2937.73
24.22	3447.31	2145.01
1269.07	1910.72	2701.97
1802.07	1725.81	1966.35
1817.36	1927.4	2328.79
1860.45	1782.88	1875.13
];
[num,n]=size(p);    %样品数目
centernum=4;        %类别数目

IDXO=[1 2 3 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 ];
% size(IDXO)
CO(1,:)=[ 1739.94	 1675.15	 2395.96];
CO(2,:)=[373.3	3087.05	2429.47];
CO(3,:)=[1756.77	1652	1514.98];
% s1=find(IDXO==1);%聚类号为1的样品在p中的序号
% s11=p(s1,:)
s4=find(IDXO==4);%聚类号为4的样品在p中的序号
s44=p(s4,:);%全部为4类的样品矩阵
CO(4,:)=[sum(s44(:,1))/59,sum(s44(:,2))/59,sum(s44(:,3))/59];%第4类的中心
JO=0;
j1=0; j2=0; j3=0; j4=0;
for i=1:num
    if IDXO(i)==4
        j4=j4+sqrt((p(i,1)-CO(1,1))^2+(p(i,2)-CO(1,2))^2+(p(i,3)-CO(1,3))^2);
    end
end
 JO=j1+j2+j3+j4;%四种类别的类内所有点与该类中心的距离和
 JO
 C=CO;J=JO;IDX=IDXO;

time=1;
Tbegin=10;Tover=0.1;%起始温度，终止温度
L=300;     %内层循环次数,
T=Tbegin;%初始化温度参数
timeb=0;%最优目标首次出现的退火次数
% K=0.0001;
tic;
IDXN=IDXO;
while T>Tover
    tt=0;
    for inner=1:L       
        %产生随机扰动,即随机改变一个聚类样品的当前所属类别
        t1=fix(rand*num+1);      %随机抽取一个样本
        t2=fix(rand*(centernum-1)+1);   %随机生成1~3的整数
        if(IDXN(t1)+t2>centernum)
            IDXN(t1)=IDXN(t1)+t2-centernum;
        else
            IDXN(t1)=IDXN(t1)+t2;
        end
%         t1=fix(rand*(num-1)+1);      %随机抽取一个样本
%         t2=fix(rand*(centernum-1)+1);   %随机生成1~4的整数
%         if(IDXN(t1)+t2>centernum)
%             IDXN(t1)=IDXN(t1)+t2-centernum;
%         else
%             IDXN(t1)=IDXN(t1)+t2;
%         end
%         IDXN(t1)=t2;
          IDXN;
        %重新计算聚类中心
        p1=find(IDXN==1);%聚类号为1的样品在p中的序号
        p11=p(p1,:);%全部为1类的样品矩阵
        [b1, a1]=size(p1);
        CN(1,:)=[sum(p11(:,1))/a1,sum(p11(:,2))/a1,sum(p11(:,3))/a1];%第一类的中心
        p2=find(IDXN==2);%聚类号为2的样品在p中的序号
        p22=p(p2,:);%全部为2类的样品矩阵
        [b2, a2]=size(p2);
        CN(2,:)=[sum(p22(:,1))/a2,sum(p22(:,2))/a2,sum(p22(:,3))/a2];%第2类的中心
        p3=find(IDXN==3);%聚类号为3的样品在p中的序号
        p33=p(p3,:);%全部为3类的样品矩阵
        [b3, a3]=size(p3);
        CN(3,:)=[sum(p33(:,1))/a3,sum(p33(:,2))/a3,sum(p33(:,3))/a3];%第3类的中心
        p4=find(IDXN==4);%聚类号为1的样品在p中的序号
        p44=p(p4,:);%全部为4类的样品矩阵
        [b4, a4]=size(p4);
        CN(4,:)=[sum(p44(:,1))/a4,sum(p44(:,2))/a4,sum(p44(:,3))/a4];%第4类的中心

        %计算目标函数
        JN=0;
        j1=0; j2=0; j3=0; j4=0;
        for i=1:num
            if IDXN(i)==1
                j1=j1+sqrt((p(i,1)-CN(1,1))^2+(p(i,2)-CN(1,2))^2+(p(i,3)-CN(1,3))^2);
            elseif IDXN(i)==2
                j2=j2+sqrt((p(i,1)-CN(2,1))^2 +(p(i,2)-CN(2,2))^2+(p(i,3)-CN(2,3))^2);
            elseif IDXN(i)==3
                j3=j3+sqrt((p(i,1)-CN(3,1))^2+(p(i,2)-CN(3,2))^2+(p(i,3)-CN(3,3))^2);
            elseif IDXN(i)==4
                j4=j4+sqrt((p(i,1)-CN(4,1))^2+(p(i,2)-CN(4,2))^2+(p(i,3)-CN(4,3))^2);
            end
        end
        JN=j1+j2+j3+j4;%四种类别的类内所有点与该类中心的距离和

        e=JN-JO;

        %判断是否接受新解
        if  e<=0
            JO=JN;CO=CN;IDXO=IDXN;
        else
%             if(rand<exp(-e/T))
%                 JO=JN;
%                 CO=CN;
%                 IDXO=IDXN;
%             else
%                 IDXN=IDXO;IDX=IDXO;CN=CO;JN=JO;
%             end
%         end
%         else
            IDXN=IDXO;IDX=IDXO;CN=CO;
            JN=JO;
        end

    end
%内层循环结束
    
    T=T*0.9;
%     if(T==0)
%         break;
%     end
    time=time+1;
%     if(time-timeb>1000)
%         break;
%     end
    disp('已退火次数');
    A=time-1    
    disp('最优目标函数值');
    J=JO
end
time1=toc%退火需要的时间

hold on;
plot3(CO(:,1),CO(:,2),CO(:,3),'o');grid;box
%title('蚁群聚类结果(R=100,t=10000)')
xlabel('X')
ylabel('Y')
zlabel('Z')
index1 = find(IDXN == 1)
index2 = find(IDXN == 2)
index3 = find(IDXN == 3)
index4 = find(IDXN == 4)
plot3(p(index1,1),p(index1,2),p(index1,3),'r+');grid;
plot3(p(index2,1),p(index2,2),p(index2,3),'g*');grid;
plot3(p(index3,1),p(index3,2),p(index3,3),'kx');grid;
plot3(p(index4,1),p(index4,2),p(index4,3),'m.');grid;


>> moni

JO =

   7.6551e+04

已退火次数

A =

     1

最优目标函数值

J =

   3.2015e+04

已退火次数

A =

     2

最优目标函数值

J =

   2.1396e+04

已退火次数

A =

     3

最优目标函数值

J =

   2.1396e+04

已退火次数

A =

     4

最优目标函数值

J =

   2.1396e+04

已退火次数

A =

     5

最优目标函数值

J =

   2.1396e+04

已退火次数

A =

     6

最优目标函数值

J =

   2.1396e+04

已退火次数

A =

     7

最优目标函数值

J =

   2.1396e+04

已退火次数

A =

     8

最优目标函数值

J =

   2.1396e+04

已退火次数

A =

     9

最优目标函数值

J =

   2.1396e+04

已退火次数

A =

    10

最优目标函数值

J =

   2.1396e+04

已退火次数

A =

    11

最优目标函数值

J =

   2.1396e+04

已退火次数

A =

    12

最优目标函数值

J =

   2.1396e+04

已退火次数

A =

    13

最优目标函数值

J =

   2.1396e+04

已退火次数

A =

    14

最优目标函数值

J =

   2.1396e+04

已退火次数

A =

    15

最优目标函数值

J =

   2.1396e+04

已退火次数

A =

    16

最优目标函数值

J =

   2.1396e+04

已退火次数

A =

    17

最优目标函数值

J =

   2.1396e+04

已退火次数

A =

    18

最优目标函数值

J =

   2.1396e+04

已退火次数

A =

    19

最优目标函数值

J =

   2.1396e+04

已退火次数

A =

    20

最优目标函数值

J =

   2.1396e+04

已退火次数

A =

    21

最优目标函数值

J =

   2.1396e+04

已退火次数

A =

    22

最优目标函数值

J =

   2.1396e+04

已退火次数

A =

    23

最优目标函数值

J =

   2.1396e+04

已退火次数

A =

    24

最优目标函数值

J =

   2.1396e+04

已退火次数

A =

    25

最优目标函数值

J =

   2.1396e+04

已退火次数

A =

    26

最优目标函数值

J =

   2.1396e+04

已退火次数

A =

    27

最优目标函数值

J =

   2.1396e+04

已退火次数

A =

    28

最优目标函数值

J =

   2.1396e+04

已退火次数

A =

    29

最优目标函数值

J =

   2.1396e+04

已退火次数

A =

    30

最优目标函数值

J =

   2.1396e+04

已退火次数

A =

    31

最优目标函数值

J =

   2.1396e+04

已退火次数

A =

    32

最优目标函数值

J =

   2.1396e+04

已退火次数

A =

    33

最优目标函数值

J =

   2.1396e+04

已退火次数

A =

    34

最优目标函数值

J =

   2.1396e+04

已退火次数

A =

    35

最优目标函数值

J =

   2.1396e+04

已退火次数

A =

    36

最优目标函数值

J =

   2.1396e+04

已退火次数

A =

    37

最优目标函数值

J =

   2.1396e+04

已退火次数

A =

    38

最优目标函数值

J =

   2.1396e+04

已退火次数

A =

    39

最优目标函数值

J =

   2.1396e+04

已退火次数

A =

    40

最优目标函数值

J =

   2.1396e+04

已退火次数

A =

    41

最优目标函数值

J =

   2.1396e+04

已退火次数

A =

    42

最优目标函数值

J =

   2.1396e+04

已退火次数

A =

    43

最优目标函数值

J =

   2.1396e+04

已退火次数

A =

    44

最优目标函数值

J =

   2.1396e+04


time1 =

    0.6698


index1 =

     8    14    15    18    19    22    24    35    36    43    45    49    50


index2 =

     2     5     9    10    12    13    23    27    28    29    34    38    44    46    48    55


index3 =

  列 1 至 19

     1     3     7    11    17    20    21    26    30    31    33    37    40    41    47    51    52    57    58

  列 20

    59


index4 =

     4     6    16    25    32    39    42    53    54    56
「已注销」
关注
  • 0
    点赞
  • 踩
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
matlab智能算法之模拟退火算法
ymengm的博客
12-02 4084
本文包括：模拟退火算法基础介绍，模拟退火求解的四个例子：n元函数、二元函数、tsp旅行商问题、共享单车问题；有手敲的模拟退火算法，也有用matlab中的simulannealbnd函数进行求解。
matlab 目标模式识别,模式识别与人工智能(基于MATLAB)
weixin_36354817的博客
03-23 735
目录第1章 模式识别概述1.1 模式识别的基本概念1.1.1 模式的描述方法1.1.2 模式识别系统1.2 模式识别的基本方法1.3 模式识别的应用习题第2章 贝叶斯分类器设计2.1 贝叶斯决策及贝叶斯公式2.1.1 贝叶斯决策简介2.1.2 贝叶斯公式2.2 基于最小错误率的贝叶斯决策2.2.1 基于最小错误率的贝叶斯决策理论2.2.2 最小错误率贝叶斯分类的计算过程2...
matlab分类器设计,简单分类器的MATLAB实现.doc
weixin_33344952的博客
03-16 578
简单分类器的MATLAB实现.doc简单分类器的MATLAB实现 摘要：本实验运用最小距离法、Fisher线形判别法、朴素贝叶斯法、K近邻法四种模式识别中最简单的方法处理两维两类别的识别问题，最后对实验结果进行了比较。关键字：MATLAB 最小距离 Fisher线形判别 朴素贝叶斯 K近邻法Matlab语言简介 Matlab 语言 (即 Matrix 和 Laborat...
模拟退火算法matlab代码
youyouxiong的博客
05-02 520
模拟退火（Simulated Annealing, SA）算法是一种概率优化算法，它受到冶金学中的退火过程的启发。请注意，这个模拟退火算法的实现是基础的，它可能需要根据具体问题进行调整和优化。此外，MATLAB 中的 `rand` 函数用于生成随机数，而 `feval` 函数用于评估目标函数。要使用这个函数，你需要提供一个目标函数，以及变量的下界、上界、初始解、初始温度、冷却率和最大迭代次数。% 定义目标函数，这里以一个简单的二次函数为例。% 定义初始温度、冷却率和最大迭代次数。% 定义变量的下界和上界。
2015年母亲节祝福源码 v1.0
10-28
2015年母亲节祝福代码，半夜起来做的，为了赶在母亲节发布，其实每个人对于目前的感情都是一样的，一次陪伴，一次呼唤都是对真情的流露。世界上有一种爱,任你肆意的去索取,却从不需要报答,这种爱叫母爱,这个人叫母亲.有一份伟大叫母亲，有一份依恋叫妈妈。母亲--亲爱的妈妈，您是太阳底下最光辉的形象。多少年风风雨雨辛酸苦辣你曾经经过，多少年默默承受无闻付出您从不问收获。好想抹去你心底的伤痛， 好想抚平你脸上的皱褶。忙碌和粗心，让我们忽略了太多太多的母爱，当这首歌再度在耳边响起，当母亲节再一次来临时，请把你心中涌动着的感激、思念、祝福、歉疚……都说给妈妈听吧！让情感在今天尽情地渲泄----妈妈，我爱您!衣裳再添几件,饭菜再多吃几口；一会看看脸，一会摸摸手，千里的路我还一步没走，就看见泪水在妈妈的眼里流。世界上只有一位最好的女性,她便是慈爱的母亲.世界上只有一种最美丽的声音,那便是母亲的呼唤.经历过这么多的风风雨雨,您似乎更年轻了,不但是外貌,而且是心灵.透过那额角的皱纹,还有银鬓华丝,我看见了您一颗水晶般的心.莫道桑榆晚,微霞尚满天.您就像一棵绿叶如盖,摇曳多姿的大树,我一直走到很远都能回头便瞧见
超详细 | 模拟退火算法及其MATLAB实现
sfejojno的博客
07-31 1693
SA算法的基本思想是从选定的初始解开始，在借助于控制参数t递减时产生的一系列Markov链中，利用一个新解产生装置和接受准则，重复进行“产生新解 一计算目标函数差一判断是否接受新解一接受或舍弃新解”，不断对当前解迭代，从而使目标函数最优的执行过程。模拟退火算法最早由 Kirkpatrick 等应用于组合优化领域，它是基于蒙特卡罗迭代求解策略的一种随机寻优算法，它借鉴了物理上金属退火的原理，即将热力学的理论套用到统计学上，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。
MATLAB实现 - 模拟退火法
06-05
模拟退火算法matlab代码模拟退火算法matlab代码 模拟退火算法matlab代码模拟退火算法matlab代码 模拟退火算法matlab代码模拟退火算法matlab代码 模拟退火算法matlab代码模拟退火算法matlab代码 模拟退火算法matlab...
MATLAB-模拟退火算法.zip
09-20
MATLAB-模拟退火算法.zip
模拟退火算法MATLAB实现 function sa-minimize
06-05
模拟退火算法matlab代码 让我们更详细地探讨模拟退火算法的MATLAB实现。下面的代码示例将包括更详细的注释，以及一个更复杂一些的目标函数，这个函数在多维空间中可能有多个局部最小值。 我们将使用一个更复杂的...
模拟退火算法matlab代码-全局优化算法
最新发布
06-05
模拟退火算法matlab代码
模拟退火法 0-1背包问题
05-13
自己上现代优化方法课做的大作业，用模拟退火算法计算0/1背包问题，word文档内含matlab代码
2015年母亲节祝福源码v1.0
08-06
2015年母亲节祝福代码，半夜起来做的，为了赶在母亲节发布，其实每个人对于目前的感情都是一样的，一次陪伴，一次呼唤都是对真情的流露。 世界上有一种爱,任你肆意的去索取,却从不需要报答,这种爱叫母爱,这个人叫母亲. 有一份伟大叫母亲，有一份依恋叫妈妈。母亲--亲爱的妈妈，您是太阳底下最光辉的形象。多少年风风雨雨辛酸苦辣你曾经经过，多少年默默承受无闻付出您从不问收获。好想抹去你心底的伤痛， 好想抚平你
SA（模拟退火）MATLAB代码（详细中文注解）
09-30
以优化SVM算法的参数c和g为例，对SA（模拟退火）算法MATLAB源码进行了逐行中文注解。是很好的学习材料。
模拟退火算法的matlab程序，简单易懂
12-04
模拟退火算法SA matlab程序 有关SA算法的介绍
matlab之模拟退火通俗解释
12-20
退火算法 通俗解释matlab之模拟退火求TSP问题 MATLAB程序用于求解非线性规划
模拟退火算法matlab实现
09-07
matlab模拟退火算法的通用代码，适合各类线性规划问题的求解
模拟退火算法（MATLAB实现）
热门推荐
陈 浩
10-12 2万+
function [xo,fo] = Opt_Simu(f,x0,u,l,kmax,q,TolFun) % 模拟退火算法求函数 f(x)的最小值点， 且 l <= x <= u % f为待求函数，x0为初值点，l，u分别为搜索区间的上下限，kmax为最大迭代次数 % q为退火因子，TolFun为函数容许误差 %%%%算法第一步根据输入变量数，将某些量设为缺省值 if nargin < 7
matlab练习程序（模拟退火SA）
开心妙妙屋
06-23 1010
http://www.cnblogs.com/tiandsp/archive/2013/07/02/3167785.html 拟退火首先从某个初始候选解开始，当温度大于0时执行循环。 在循环中，通过随机扰动产生一个新的解，然后求得新解和原解之间的能量差，如果差小于0，则采用新解作为当前解。 如果差大于0，则采用一个当前温度与能量差成比例的概率来选择是否接受新解。温度越低，接受
MATLAB 模拟退火算法
脱碳甲醛
02-19 4940
模拟退火算法原理 模拟退火算法是一种通用概率算法，用来在一个大的搜寻空间内寻找问题最优解。 其思想源于固体的退火过程：将固体加热至足够高的温度，缓慢冷却，其内能就由很大缓慢趋于内能最小。 足够高的温度对应随机的解，缓慢冷却对应对解进行一次随机扰动，内能对应目标函数。即将随机解不断进行扰动，根据目标函数变化以一定概率接受解，不断重复，解就会趋近于最优解。 接受新解概率——Metropolis准则...
0-1规划问题模拟退火matlab
09-11
在Matlab中模拟退火算法可以用于求解0-1规划问题。下面是一个简单的示例代码： ```matlab % 定义目标函数 f = @(x) sum(x); % 这里的目标是最大化总和，即最小化负的总和 % 定义约束函数 A = [1 1 1 1]; % 约束...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值