目录
Ⅰ.原理
- 讨论这个问题需要理解一下物理原型是怎么样的，也就是原来是怎么“退火“的：
- 模拟退火算法的思想借鉴于固体的退火原理，当固体的温度很高的时候，内能比较大，固体的内部粒子处于快速无序运动，当温度慢慢降低的过程中，固体的内能减小，粒子的慢慢趣于有序，最终，当固体处于常温时，内能达到最小，此时，粒子最为稳定。
注意：
- 温度高->运动速度快（温度低->运动速度慢）
- 温度是缓慢（想象成特别慢的那种）降低的
- 温度基本不再变化后，趋于有序（最后内能达到最小，也就是接近最优）
我们通过模拟这个操作，使得我们需要的答案“趋于有序”，也就是最靠近需要的值（最值）
Ⅱ.冷却表参数
L = 200; %马可夫链长度
K = 0.998; %衰减参数
S = 0.01; %步长因子
T=100; %初始温度
YZ = 1e-8; %容差
P = 0; %Metropolis过程中总接受点
(1).马尔科夫链
参考视频
L = 200;
- 含义：这行代码定义了模拟退火算法里的马可夫链长度。在模拟退火算法的每次温度状态下，会进行
L次迭代尝试寻找更优解。马可夫链长度决定了在每个温度下进行状态转移的次数。 - 作用：较大的
L能让算法在当前温度下更充分地探索邻域，从而增加找到更优解的可能性，但会增加计算时间；较小的L会使算法在每个温度下探索不够充分，可能错过更好的解。
(3). 衰减参数K = 0.998;
- 含义：此代码定义了温度的衰减参数。在模拟退火算法中，温度会随着迭代次数不断降低，而
K用于控制温度下降的速度。 - 作用：温度下降公式通常为
T = K * T（T为当前温度）。K越接近 1，温度下降越慢，算法会有更多时间在局部区域精细搜索，更可能找到全局最优解，但收敛速度慢；K越小，温度下降越快，算法收敛速度快，但可能过早陷入局部最优解。
(4). 步长因子S = 0.01;
- 含义：这行代码定义了步长因子。在模拟退火算法生成新解时，会在当前解的基础上进行一定扰动，
S用于控制扰动的幅度。 - 作用：新解的生成一般是
NextX = PreX + S * (rand(1, D) * 2 - 1) * T（PreX是当前解，NextX是新解，D是变量维数）。较大的S会使新解在搜索空间中跳跃幅度大，有助于全局搜索，但可能跳过最优解；较小的S会使新解在当前解附近小范围变动，利于局部搜索。
(5).初试温度 T = 100;
- 含义：这行代码设定了模拟退火算法的初始温度。初始温度是算法开始时的温度值，影响着算法的搜索范围和接受较差解的概率。
- 作用：初始温度较高时，算法接受较差解的概率大，能在搜索空间中广泛探索，利于全局搜索；初始温度较低时，算法接受较差解的概率小，更倾向于在局部区域搜索。
(6).容差 YZ = 1e-8;
- 含义：这行代码定义了容差。容差用于判断算法是否满足终止条件。当目标函数值的变化小于容差时，可认为算法已经收敛到一个较优解，从而终止迭代。
- 作用：合理设置容差能避免算法进行不必要的迭代，提高计算效率。如果容差设置过大，算法可能提前终止，错过更优解；容差设置过小，算法可能会进行过多迭代，浪费计算资源。
(7). P = 0;
- 含义：这行代码将
P初始化为 0，P用于记录 Metropolis 过程中总接受点的数量。在模拟退火算法的 Metropolis 准则中，新解可能会被接受或拒绝，P统计接受新解的次数。 - 作用：通过统计接受点的数量，可以了解算法在迭代过程中的接受情况，辅助分析算法的收敛性和搜索效率。
综上所述，这些参数共同影响着模拟退火算法的搜索性能和收敛速度，合理设置这些参数对于算法能否找到全局最优解至关重要。
Ⅲ.马尔科夫链过程
代码
%%%%%%%%%%%%%%%%%%%%%%模拟退火算法解决函数极值%%%%%%%%%%%%%%%%%%%%%%
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%初始化%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
clear all; %清除所有变量
close all; %清图
clc; %清屏
D=10; %变量维数
Xs=20; %上限
Xx=-20; %下限
%%%%%%%%%%%%%%%%%%%%%%%%%%%冷却表参数%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
L = 200; %马可夫链长度
K = 0.998; %衰减参数
S = 0.01; %步长因子
T=100; %初始温度
YZ = 1e-8; %容差
P = 0; %Metropolis过程中总接受点
%%%%%%%%%%%%%%%%%%%%%%%%%%随机选点初值设定%%%%%%%%%%%%%%%%%%%%%%%%%
PreX = rand(D,1)*(Xs-Xx)+Xx;
PreBestX = PreX; %PreBestX 表示到目前为止所找到的最优解
PreX = rand(D,1)*(Xs-Xx)+Xx;
BestX = PreX; %BestX 表示全局最优解
%%%%%%%%%%%每迭代一次退火一次(降温), 直到满足迭代条件为止%%%%%%%%%%%%
deta=abs( func1( BestX)-func1(PreBestX)); %abs 函数会返回该实数的绝对值
while (deta > YZ) && (T>0.001) %当全局最优解和当前温度下最优解的差异大于容差，并且当前温度大于 0.001 时，继续进行迭代。当这两个条件中的任何一个不满足时，循环停止，算法结束。
T=K*T;
%%%%%%%%%%%%%%%%%%%%%在当前温度T下迭代次数%%%%%%%%%%%%%%%%%%%%%%
for i=1:L
%%%%%%%%%%%%%%%%%在此点附近随机选下一点%%%%%%%%%%%%%%%%%%%%%
NextX = PreX + S* (rand(D,1) *(Xs-Xx)+Xx);
%%%%%%%%%%%%%%%%%边界条件处理%%%%%%%%%%%%%%%%%%%%%%%%%%
for ii=1:D
if NextX(ii)>Xs | NextX(ii)<Xx
NextX(ii)=PreX(ii) + S* (rand *(Xs-Xx)+Xx);
end
end
%%%%%%%%%%%%%%%%%%%%%%%是否全局最优解%%%%%%%%%%%%%%%%%%%%%%
if (func1(BestX) > func1(NextX))
%%%%%%%%%%%%%%%%%%保留上一个最优解%%%%%%%%%%%%%%%%%%%%%
PreBestX = BestX;
%%%%%%%%%%%%%%%%%%%此为新的最优解%%%%%%%%%%%%%%%%%%%%%%
BestX=NextX;
end
%%%%%%%%%%%%%%%%%%%%%%%% Metropolis过程%%%%%%%%%%%%%%%%%%%
if( func1(PreX) - func1(NextX) > 0 ) %意味着新解的目标函数值小于当前解的目标函数值，即新解更优。
%%%%%%%%%%%%%%%%%%%%%%%接受新解%%%%%%%%%%%%%%%%%%%%%%%%
PreX=NextX;
P=P+1;
else
changer = -1*(func1(NextX)-func1(PreX))/ T ;
p1=exp(changer);
%%%%%%%%%%%%%%%%%%%%%%%%接受较差的解%%%%%%%%%%%%%%%%%%%%
if p1 > rand
PreX=NextX;
P=P+1;
end
end
trace(P+1)=func1( BestX);
end
deta=abs( func1( BestX)-func1 (PreBestX));
end
disp('最小值在点:');
BestX
disp( '最小值为:');
func1(BestX)
figure
plot(trace(2:end))
xlabel('迭代次数')
ylabel('目标函数值')
title('适应度进化曲线')
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
