模拟退火算法用Python实现

import math

from random import random

import matplotlib.pyplot as plt

 

def func(x, y): #函数优化问题

    res= 4*x**2-2.1*x**4+x**6/3+x*y-4*y**2+4*y**4

    return res

#x为公式里的x1,y为公式里面的x2

class SA:

    def __init__(self, func, iter=100, T0=100, Tf=0.01, alpha=0.99):

        self.func = func

        self.iter = iter #内循环迭代次数,即为L =100

        self.alpha = alpha #降温系数，alpha=0.99

        self.T0 = T0 #初始温度T0为100

        self.Tf = Tf #温度终值Tf为0.01

        self.T = T0 #当前温度

        self.x = [random() * 11 -5 for i in range(iter)] #随机生成100个x的值

        self.y = [random() * 11 -5 for i in range(iter)] #随机生成100个y的值

        self.most_best =[]

        """

        random()这个函数取0到1之间的小数

        如果你要取0-10之间的整数（包括0和10）就写成 (int)random()*11就可以了，11乘以零点多的数最大是10点多，最小是0点多

        该实例中x1和x2的绝对值不超过5（包含整数5和-5），（random() * 11 -5）的结果是-6到6之间的任意值（不包括-6和6）

        （random() * 10 -5）的结果是-5到5之间的任意值（不包括-5和5），所有先乘以11，取-6到6之间的值，产生新解过程中，用一个if条件语句把-5到5之间（包括整数5和-5）的筛选出来。

        """

        self.history = {'f': [], 'T': []}

 

    def generate_new(self, x, y): #扰动产生新解的过程

        while True:

            x_new = x + self.T * (random() - random())

            y_new = y + self.T * (random() - random())

            if (-5 <= x_new <= 5) & (-5 <= y_new <= 5):  

                break #重复得到新解，直到产生的新解满足约束条件

        return x_new, y_new 

 

    def Metrospolis(self, f, f_new): #Metropolis准则

        if f_new <= f:

            return 1

        else:

            p = math.exp((f - f_new) / self.T)

            if random() < p:

                return 1

            else:

                return 0

 

    def best(self): #获取最优目标函数值

        f_list = [] #f_list数组保存每次迭代之后的值

        for i in range(self.iter):

            f = self.func(self.x[i], self.y[i])

            f_list.append(f)

        f_best = min(f_list)

        

        idx = f_list.index(f_best)

        return f_best, idx #f_best,idx分别为在该温度下，迭代L次之后目标函数的最优解和最优解的下标

 

    def run(self):

        count = 0

        #外循环迭代，当前温度小于终止温度的阈值

        while self.T > self.Tf:       

           

            #内循环迭代100次

            for i in range(self.iter): 

                f = self.func(self.x[i], self.y[i]) #f为迭代一次后的值

                x_new, y_new = self.generate_new(self.x[i], self.y[i]) #产生新解

                f_new = self.func(x_new, y_new) #产生新值

                if self.Metrospolis(f, f_new): #判断是否接受新值

                    self.x[i] = x_new #如果接受新值，则把新值的x,y存入x数组和y数组

                    self.y[i] = y_new

            # 迭代L次记录在该温度下最优解

            ft, _ = self.best()

            self.history['f'].append(ft)

            self.history['T'].append(self.T)

            #温度按照一定的比例下降（冷却）

            self.T = self.T * self.alpha        

            count += 1

            

            # 得到最优解

        f_best, idx = self.best()

        print(f"F={f_best}, x={self.x[idx]}, y={self.y[idx]}")

 

sa = SA(func)

sa.run()

 

plt.plot(sa.history['T'], sa.history['f'])

plt.title('SA')

plt.xlabel('T')

plt.ylabel('f')

plt.gca().invert_xaxis()

plt.show()