模拟退火算法（附简单案例及详细matlab源码）

Cherries Man

已于 2023-07-27 15:14:16 修改

阅读量3.5k

点赞数 17

分类专栏：智能优化算法文章标签：模拟退火算法 matlab 算法智能优化

于 2023-06-01 21:38:05 首次发布

本文链接：https://blog.csdn.net/myf_666/article/details/130996611

版权

智能优化算法专栏收录该内容

10 篇文章 13 订阅

订阅专栏

在这里插入图片描述

作者：非妃是公主
专栏：《智能优化算法》
博客地址：https://blog.csdn.net/myf_666
个性签：顺境不惰，逆境不馁，以心制境，万事可成。——曾国藩

文章目录

专栏推荐
序
一、概论
二、物理退火
1. 加温过程
2. 等温过程
3. 降温过程

三、模拟退火原理
四、模拟退火的优点
五、算法具体流程
1. 整体流程
2. 细节处理
Ⅰ. 状态产生函数
Ⅱ. 初始温度
Ⅲ. 退温函数
Ⅳ. Markov 链长度
Ⅴ. 算法终止准则

六、仿真实例：模拟退火求解函数最小值
1. 题目
2. 分析
3. matlab求解
4. 求解结果及分析

七、模拟退火的一些改进方向
the end……

专栏推荐

专栏名称	专栏地址
软件工程	专栏——软件工程
计算机图形学	专栏——计算机图形学
操作系统	专栏——操作系统
软件测试	专栏——软件测试
机器学习	专栏——机器学习
数据库	专栏——数据库
算法	专栏——算法

序

对于一个问题，解决他的第一步是建立模型，利用数学的方法，将问题抽象成一个数学模型（可能是一个函数，一个算法，一个方程……）。第二步，就是对这个问题进行求解，也叫做模型求解。

但对于模型求解来讲，不同的模型有着不同大小的难度。传统的算法，比如梯度下降，很可能会陷入局部最优解等问题，对于更加全局性的最优解搜索，智能优化算法有着很好的效果。而模拟退火算法，就是智能优化算法中的一种，有着很好的效果。

模拟退火算法（Simulated Annealing，SA）最早由Metropolis等人于 1953 年提出。1983 年Kirkpatrick等人第一次使用模拟退火算法求解组合优化问题后，它就发表在了 Science 上。¹直到今天，它依然被广泛使用，这篇文章将详细介绍模拟退火算法的基本原理，以及matlab的代码实现。

一、概论

模拟退火算法其实就是一个类似于仿生学的算法，模仿的就是物理退火的过程。我们炼钢的时候，如果我们急速冷凝，这时候的状态是不稳定的，原子间杂乱无章的排序，能量很高。而如果我们让钢水慢慢冷凝，很缓慢的降温，那么这个时候的状态就是很稳定的，各个分子都趋向于自己能量最低的位置。

而模拟退火算法，恰恰就是利用了物理退火这一过程的原理，求解一个优化目标（目标函数）的最小值。

二、物理退火

如果想说清楚模拟退火，必然绕不过物理退火！

1. 加温过程

增强粒子热运动，使其偏离平衡位置。当温度足够高时，固体将溶解为液体，从而消除系统原先可能存在的非均匀态，使随后进行的冷却过程以某一平衡态为起点。溶解过程于系统的能量增大过程相联系，系统能量也随温度的升高而增大。

2. 等温过程

通过物理学知识得知，对于与周围环境交换热量而温度不变的封闭系统，系统状态的自发变化总是朝着自由能降低的方向进行；当自由能达到最低时，系统达到平衡态。

3. 降温过程

随着温度降低，分子热运动减弱，趋向有序，系统能量逐渐降低，从而得到了低能量的晶体结构。

三、模拟退火原理

而模拟退火算法，就是要通过如上3个部分的操作，获得低能量的晶体结构（最优解）。

物理退火与模拟退火中的各个状态对应如下：

物理退火	模拟退火
粒子状态	每个状态对应一个（可行）解
能量最低态	最优解
溶解过程	设定初温（设定参数T的值）
等温过程	一个温度下，多次采样（Metropolis采样过程）
冷却	控制参数下降
能量	目标函数

主要思想，在搜索区间进行随机游走（通过生成随机数实现），再利用Metropolis抽样准则，使随机游走逐渐收敛于局部最优解。在这里，温度是一个重要的控制参数，这个参数的大小控制了随机过程向局部或全局最优解移动的快慢。具体的过程如下。

首先，定义一个 $p$ ：
$p=e^{-\frac{E_2-E_1}{T}}$

这个公式表示，系统从 $E_1$ 变化到 $E_2$ ，其概率为 $p$ ，就是上述公式左边的部分。

如果 $E_2<E_1$ ，那么证明系统向更低的方向转移了，我们无条件接受此状态。

否则，以上述的概率，接受这个较坏的结果 $E_2$ 。注意，这里的原则，不同于贪心，每次选择最好的，而是有一定的概率接受坏一些的。（这个概率受到能量差和温度两个因素的影响）

$p(1\rightarrow2)= \begin{cases} 1& E_2<E_1\\ e^{-\frac{E_2-E_1}{T}}& E_2>E_1 \end{cases}$

这样通过一定的迭代次数，我们就会找到一个比较好的解了。

四、模拟退火的优点

总结一下模拟退火的优点如下：

以一定的概率接受恶化解。看似在接受恶化解，其实是寻找了全局最优解。
引进算法控制参数——温度。温度的引进，使得算法更加智能、灵活。在前期，进行跳跃搜索，更容易跳出局部最优解，提高搜索的全局性。在后期，进行幅度较小的搜索，更容易收敛。
对目标函数要求少。模拟退火算法其实是一种搜索或者说枚举的方法，我们经过大量的实验，最终得到最优解（或者一定程度上的较优解）。由于这种做法，因此对目标函数的要求很低。不需要依赖什么，直接猜就好。

五、算法具体流程

学习的过程是广度优先，层层深入的，前面大致了解了模拟退火算法的原理及思想，下面我们看一看模拟退火算法的具体算法流程。

1. 整体流程

初始化温度 $T_0$ ，初始解状态 $X_0$ （算法迭代起点）、每个 $T$ 值的迭代次数 $L$ （也叫做Markov 链长度，就是在同一个温度下，我们猜测的次数）。
对 $k = 1, \dots, L$ 做第（3）至第（6）步；
产生新解 $X^{'}$ ；
计算增量 $Δ E = E (X^{'}) - E (X)$ ，其中 $E (X)$ 为评价函数（越低越好）；
若 $Δ E ＜ 0$ ，则接受 $X^{'}$ 作为新的当前解，否则以概率 $e^{\frac{-ΔE}{T}}$ 接受 $X^{'}$ 作为新的当前解；
如果满足终止条件，则输出当前解为最优解，结束程序；
$T$ 逐渐减小，且 $T\rightarrow 0$ ，然后转第 2 步。

流程图如下：

在这里插入图片描述

2. 细节处理

Ⅰ. 状态产生函数

主要就是通过在邻域内随机进行选择产生的。

Ⅱ. 初始温度

初始温度对于算法的影响较大，而且效果的好坏与求解问题的求解空间有关。初温越大，获得高质量解的可能性越高，但是相应的时间也就越长，具体可以在此处进行取舍。

一种很好的做法是，可以均匀抽样一组状态，以各状态目标值的方差作为初温。

这样，如果方差越大，证明该问题越有可能陷入到局部最优解（多峰型优化），因此初温较高，防止陷入。
如果方差很小，说明该问题不容易陷入局部最优(单峰型优化)，因此，初温较低，可以快速收敛。

Ⅲ. 退温函数

退温函数即温度更新函数，用于在外循环中修改温度值。目前，最常用的温度更新函数为指数退温函数，即 $T (n + 1) = K \times T (n)$ ，其中 $0 ＜ K ＜ 1$ ， $K$ 为一个非常接近于1的常数。

Ⅳ. Markov 链长度

Markov 链长度是在等温条件下进行迭代优化的次数，其选取原则是在衰减参数 $T$ 的衰减函数已选定的前提下，还要产生随机数的次数，一般 L 取100～1000。

Ⅴ. 算法终止准则

算法停止的条件。常用的有，温度降低到一定的阈值结束，迭代一定的次数后结束，最优值连续保持不变（或者变化值 $<\delta$ ）时停止搜索。

六、仿真实例：模拟退火求解函数最小值

1. 题目

计算函数 $f(x)=\sum_{i=1}^n x_i^2 (-20<=x_i<=20)$ 的最小值，其中个体 $x$ 的维数为 $n = 10$ 。

2. 分析

这时一个平方和函数，只有一个极小值 $x = (0, 0, ..., 0)$ ，理论最小值 $f (0, 0, ..., 0) = 0$ 。

Markov链长度初始化为 $L = 200$ ，衰减参数设置为0.998，补偿因子为 $S = 0.01$ ，初始温度 $T = 100$ ，容差为 $YZ=1\times 10^{-8}$ （用于判断结束条件，如果最优值连续变化小于 $Y Z$ ，那么就终止搜索，输出这个较优解，其它参数上边都已经提到过了）；随机产生初始解，并计算目标函数值。

3. matlab求解

%%%%%%%%%%%%%%%%%%%%%%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;
PreX = rand(D,1)*(Xs-Xx)+Xx;
BestX = PreX;
%%%%%%%%%%%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));
while (deta > YZ) && (T>0.001)
    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 = (1 - S) * 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)=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 )
            %%%%%%%%%%%%%%%%%%%%%%%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('最优解变化曲线')

其中，目标函数（适应度函数）fun1的定义如下：

%%%%%%%%%%%%%%%%%%%%%%%%%适应度函数%%%%%%%%%%%%%%%%%%%%%%%
function result=func1(x)
summ=sum(x.^2);
result=summ;

4. 求解结果及分析

求解的适应度变化曲线如下：

在这里插入图片描述

可以看到，随着迭代次数的增加，目标函数值下降速度还是很快的，说明算法收敛速度较好。

最终搜索结果如下：

在这里插入图片描述

可以看到，我们在理论最优解 0 附近找到了近似最优解 0.0056，求解效果还是不错的。

继续运行代码，求解结果如下：

在这里插入图片描述

可以看到求解过程以及最终的结果都不太相同，因此，对于模拟退火这种启发式智能优化算法，求解结果是有一定随机性的。但是，会随着迭代次数的增加，越发趋于稳定。

七、模拟退火的一些改进方向

增加记忆功能
增加升温或重升温过程。
对每一当前状态，采用多次搜索策略，以概率接受区域内的最优状态，而不是标准模拟退火算法的单次比较方式。
与其他搜索机制的算法（如遗传算法、免疫算法等）相结合。可以综合其他方法的优点，提高运行效率和求解质量。²

the end……

模拟退火算法到这里就要结束啦~~到此既是缘分，欢迎您的点赞、评论、收藏！关注我，不迷路，我们下期再见！！

😘😘😘 我是Cherries，一位计算机科班在校大学生，写博客用来记录自己平时的所思所想！
💞💞💞 内容繁杂，又才疏学浅，难免存在错误，欢迎各位大佬的批评指正！
👋👋👋 我们相互交流，共同进步！

注：本文由非妃是公主发布于https://blog.csdn.net/myf_666，转载请务必标明原文链接：https://blog.csdn.net/myf_666/article/details/129061318

Kirkpatrick S,Gelatt C,Vecchi M.Optimization by simulated Anealing.Science,1983(220):671-680. ↩︎
包子阳,智能优化算法及其matlab实例.电子工业出版社. ↩︎

Cherries Man

关注

17
点赞
踩
93

收藏

觉得还不错? 一键收藏
打赏
5
评论
模拟退火算法（附简单案例及详细matlab源码）

10分钟彻底学会模拟退火算法！（附详细案例及matlab详细代码）
复制链接

扫一扫

专栏目录