最优化问题
最优化问题,就是在解决问题的过程中,挑选最好的一种决策
全局最优
针对一定条件/环境下的一个问题/目标,若一项决策和所有解决该问题的决策相比是最优的,就可以被称为全局最优。
我们可以定义:在无限制环境集合R内,假设限制条件/环境为集合D(D包含于R),问题代价或目标函数为f(x),其中x指决策,那么全局最优就是指决策满足:
或者
针对一定条件/环境下的一个问题/目标,若一项决策和部分解决该问题的决策相比是最优的,就可以被称为局部最优。
将上述定义用数学公式表示为:按照上一节的定义,对于D内的一个子集
局部最优
局部最优就是指决策满足,对于D内的一个子集
或
因此,根据全局最优和局部最优的概念可以得到:局部最优不一定是全局最优,全局最优一定是局部最优。
模拟退火算法(SA)
1.退火(annealing)
退火指物体逐渐降温的物理现象。
物体温度愈低,物体的能量状态会越低,当温度足够低之后,液体开始冷凝与结晶,在结晶状态时,系统的能量状态达到最低。物体在缓慢退火时,可达到最低能量状态。但是,如果退火过快(淬炼,quenching)时,会达到不是最低能态的非晶态。
因此,根据这个退火的物理过程,构思出来了一种基于模拟退火来寻找全局最优解的算法。(因此从原理上来看,模拟退火也可以算是一种贪心的方法)
想象一下如果我们现在有下面这样一个函数,现在想求函数的全局最优解。如果采用Greedy策略,那么从A点开始试探,如果函数值继续减少,最终我们只能找到一个局部最后解B。
而以上图为例,模拟退火算法在搜索到局部最优解B后,会以一定的概率接受向右继续移动。以一定概率跳到B 和C之间的峰点,于是就跳出了局部最小值B。 因此可以的得到以下结论:
若f( Y(i+1) ) <= f( Y(i) ) (即移动后得到更优解),则总是接受该移动;
若f( Y(i+1) ) > f( Y(i) ) (即移动后的解比当前解要差),则以一定的概率接受移动,而且这个概率随着时间推移逐渐降低(逐渐降低才能趋向稳定)相当于上图中,从B移向BC之间的小波峰时,每次右移(即接受一个更糟糕值)的概率在逐渐降低。如果这个坡特别长,那么很有可能最终我们并不会翻过这个坡。如果它不太长,这很有可能会翻过它,这取决于衰减 t 值的设定。
流程图:
模拟退火算法的优缺点
- 迭代搜索效率高,并且可以并行化->(在迭代那一步可以通过并行进行处理)
- 算法中有一定概率接受比当前解较差的解,因此一定程度上可以跳出局部最优;
- 算法求得的解与初始解状态S无关,因此有一定的鲁棒性;
- 具有渐近收敛性,已在理论上被证明是一种以概率收敛于全局最优解的全局优化算法(概率算法
模拟退火算法的参数控制问题
模拟退火算法的应用很广泛,可以求解 NP
完全问题,但其参数难以控制,其主要问题有以下三点:
(1) 温度 T
的初始值设置问题。
温度T的初始值设置是影响模拟退火算法全局搜索性能的重要因素之一、初始温度高,则搜索到全局最优解的可能性大,但因此要花费大量的计算时间;反之,则可节约计算时间,但全局搜索性能可能受到影响。实际应用过程中,初始温度一般需要依据实验结果进行若干次调整。
(2) 退火速度问题。
模拟退火算法的全局搜索性能也与退火速度密切相关。一般来说,同一温度下的“充分”搜索(退火)是相当必要的,但这需要计算时间。实际应用中,要针对具体问题的性质和特征设置合理的退火平衡条件。
(3) 温度管理问题。
温度管理问题也是模拟退火算法难以处理的问题之一。实际应用中,由于必须考虑计算复杂度的切实可行性等问题,常采用如下所示的降温方式:T(t+1)=k×T(t)
式中 k
为正的略小于 1.00
的常数, t
为降温的次数。