模拟退火算法（SA）

      模拟退火算法(SA)模拟热力学当中的退火过程，由某个较高的温度开始，根据Metropolis抽样稳定准则在邻域结构内随机搜索，根据Metropolis准则以一定概率接受使目标函数上升的解，随着温度不断下降，重复搜索过程，直到满足终止准则，得到问题的较优解。模拟退火算法包含两个部分即Metropolis算法和退火过程。

Metropolis准则

Metropolis算法是内循环，即在每次温度下，迭代L次，寻找在该温度下能量的最小值（即最优解）。假设前一状态为 x(n)，系统受到一定扰动，状态变为 x(n+1)，相应地，系统能量由 E(n) 变为 E(n+1)。 定义系统由 x(n)) 变为 x(n+1) 的接收概率为 p：

 

当状态转移之后，如果能量减小了，那么这种转移就被接受了（以概率 1 发生）。如果能量增大了，就说明系统偏离全局最优位置更远了，此时算法进行概率判断：首先在区间 [0,1]产生一个均匀分布的随机数r ，如果 r<p 这种转移也将被接受，否则拒绝转移，进入下一步，如此循环。其核心思想是当能量增加时以一定概率接收，即陷入局部最优时有一定概率能跳出局部最优，其中以能量的变化量和 T 进行决定概率 p 的大小，所以这个 p 值是动态的。

 SA算法步骤

step1：初始化  确定初始温度T0，令当前温度T=T0；生成初始解S0,令当前解S=S0，计算对应的目标函数值E（S0），令历史最优解Sb=S0。

step2：判断是否满足算法终止准则，若满足， 则转步骤 9; 否则令当前最优解 Sc = S，转步骤 3。

step 3：判断是否满足抽样稳定准则，若满足，则转步骤 7; 否则转步骤 4。

step 4：在 S的第 k 个邻域结构中随机产生新解 S'，并计算对应的目标函数值E（Sk），计算 

step5 ： 按照 Metropolis准则判断是否接受新解 ， 若<0，接受新解作为当前解(令S=Sk），否则按照概率判断是否接受：如果 min{ 1，exp［－ ( f( S') － f( S) ) / T］} 大于等于randrom［0，1］，那么令 S = S'，并转到步骤 6; 否则转步骤 3。

step6 ：如果 f( S) ＜ f( Sc ) ，那么令 Sc = S，转步骤 3; 否则保持 Sc 不变，转步骤 3。

step7:如果f( S) ＜ f( Sb ) ，那么令 sb = sc，转步骤 8; 否则 k = ( kmod kmax) + 1，转步骤 8。

step8 :退温，令 t = update( t) ，转步骤 2。

step9: 输出当前最优解。

 

————————————————
版权声明：本文为CSDN博主「Handsome_Zpp」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/qq_44865735/article/details/124100778