简介
模拟退火算法(Simulated Annealing, SA)是一种通用的随机搜索算法,是对局部搜索算法的扩展。与一般局部搜索算法不同,SA以一定的概率选择邻域中目标值相对较小的状态,是一种理论上的全局最优算法。
模拟退火算法是源于对热力学中退火过程的模拟,在某一给定初温下,通过缓慢下降温度参数,使算法能够在多项式时间内给出一个近似最优解。
模拟退火过程
1)设定初始高温,相当于物理退火的加温过程。初始温度要足够高,在实际应用中,要根据以往的经验,通过反复实验来确定T0的值。
2)热平衡达到,相当于物理退火的等温过程。是指在一个给定温度下,SA用特殊的抽样策略进行随机搜索,最终达到平衡状态的过程。这是SA算法的内循环过程。
3)降温函数,相当于物理退火的冷却过程。用来控制温度的下降方式,这是SA算法的外循环过程。常用的降温函数有Tk+1=Tk-DT,Tk+1=Tk*r,其中r∈(0.95,0.99)。
至于邻域解的操作,不进只是这样的swap的操作,也可以有reverse操作,即
然后设置好参数:
下面使用matlaba 自带的模拟退火工具箱进行简单的举例:
Matlab版本是R2016,可以使用此工具箱,但是到了R2018就不再使用此工具箱,有新的语法表示,详解请看官网。
例1: 求解一元函数 y=sin(5*pi*x)/x , 自变量x范围[1,2];
首先,我们用groud-truth方法直观的将其plot画出来,然后将其极值标注出来,以此来对比模拟退火算法的准确性。
%% II. 一元函数优化
x = 1:0.01:2;
y = sin(5*pi*x) ./ x;
figure
plot(x,y,'linewidth',1.5)
ylim([-1.5, 1.5])
xlabel('x')
ylabel('y')
title('y = sin(5*pi*x) / x')
hold on
%%
% 1. 标记出最大值点
[maxVal,maxIndex] = max(y);
plot(x(maxIndex), maxVal, 'r*','linewidth',2)
text(x(maxIndex), maxVal, {[' X: ' num2str(x(maxIndex))];[' Y: ' num2str(maxVal)]})
hold on
%%
% 2. 标记出最小值点
[minVal,minIndex] = min(y);
plot(x(minIndex), minVal, 'ks','linewidth',2)
text(x(minIndex), minVal, {[' X: ' num2str(x(minIndex))];[' Y: ' num2str(minVal)]})
可以看出此自变量范围内极大值点[1.3,0.76923],极小值点[1.1,-0.90909];
下面使用matlab 自带的模拟退火工具箱:
在matlab中新建一个函数cost.m ,如下所示:
function costVal = cost( x )
%一元函数优化:
costVal = sin(5*pi*x) / x; %求最小值
% costVal = -1 * sin(5*pi*x) / x; %用模拟退火求最大值,可以加个负号或者弄个倒数
end
首先,命令行敲击>>optimatool,调出工具箱。
接着
最后,点击start按钮,等待迭代,可以看到可视化的结果。如下所示:
极小值点为(1.096,-0.910577)与最初ground-truth的极小值点(1.1,-0.90909)在误差范围内。