本文深入探讨了模拟退火算法的基本原理及应用，特别是在解决旅行商问题(TSP)中的表现。通过双层迭代过程，即退火过程和新解寻求过程，算法能够有效地避免局部最优解，达到全局最优。关键步骤包括新解的产生、判断和接受/舍弃，以及重要的超参数调整。
参考链接：
模拟退火算法解决TSP问题
RE：从0开始的模拟退火算法(python实现）
模拟退火算法总结
详细的步骤在上面的参考文章都详细说明了。总的来说，模拟退火算法就是两层迭代，最外层迭代是模拟退火的过程，也就是温度降低的过程，每迭代一次，温度就会降低一次，起始温度越高，终止温度越低，最终的结果会更好。里面迭代是寻求新解的过程，这层迭代可有可无，但是多了这层迭代就可以多次尝试跳出局部最优解。
寻求新解的过程里，总的来说就是“产生新解—判断—接受/舍弃“，
产生新解：根据不同的问题有不同的产生新解问题，这也是为什么很多问题可以用到模拟退火的原因。
判断：新解是否比旧解好，如果好，那肯定直接采纳了。不好的话，就要根据概率来看了。
接受/舍弃：这里就是根据概率来决定是否接纳更坏的解。接受准则：
这里注意si'是新解，而si是旧解，顺序不要搞错，否则结果是错误的。
模拟退火的超参数：
模型是否能够产生好的结果，最终还是要调参的。
起始温度：30000
终止温度：1e-8
冷却率：0.98
代码：
可以看到结果虽然震荡很厉害，但是总体趋势是下降的
扫一扫
557
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
