原文链接: Python 实现 模拟退火算法
下一篇: Python 实现 遗传算法
参考
https://blog.csdn.net/AI_BigData_wh/article/details/77943787?locationNum=2&fps=1
https://blog.csdn.net/garfielder007/article/details/51038577
https://www.cnblogs.com/lytwajue/p/7196445.html
起源
模拟退火算法 起源于物理退火。
物理退火过程:
⑴ 加温过程
⑵ 等温过程
⑶ 冷却过程
模型建立
模拟退火算法 可以分解为解空间、目标函数和初始解三部分。
模拟退火的基本思想:
⑴ 初始化:初始温度T(充分大),初始解状态S(是算法迭代的起点), 每个T值的迭代次数L
⑵ 对k=1,……,L做第⑶至第6步:
⑶ 产生新解S′
⑷ 计算增量Δt′=C(S′)-C(S),其中C(S)为评价函数
⑸ 若Δt′<0则接受S′作为新的当前解,否则以概率exp(-Δt′/T)接受S′作为新的当前解.
⑹ 如果满足终止条件则输出当前解作为最优解,结束程序。
终止条件通常取为连续若干个新解都没有被接受时终止算法。
⑺ T逐渐减少,且T->0,然后转第2步。
算法步骤
模拟退火算法 新解的产生和接受可分为如下四个步骤:
第一步是由一个产生函数从当前解产生一个位于解空间的新解;为便于后续的计算和接受,减少算法耗时,通常选择由当前新解经过简单地变换即可产生新解的方法,如对构成新解的全部或部分元素进行置换、互换等,注意到产生新解的变换方法决定了当前新解的邻域结构,因而对冷却进度表的选取有一定的影响。
第二步是计算与新解所对应的目标函数差。因为目标函数差仅由变换部分产生,所以目标函数差的