智能优化算法——模拟退火算法小实践

实验二 模拟退火算法
一、实验目的与要求
目的：通过本次实验，学生可以掌握模拟退火搜索算法基本原理、基本模拟退火算法流程和关键参数的设置。。
要求：上机仿真，调试通过。
二、 实验设备：
计算机、Python语言软件
三、实验内容：
旅行商问题（TSP）。假设有一个旅行商人要游览全国31个省会城市，他需要选择所要走过的路径，路径的限制是每个城市只能游览一次，而且最后要回到原来出发的城市。路径的选择要求是：所选择路径的路程为所有路径之中的最小值。
全国31个省会城市的坐标为【1304 2312；3639 1315；4177 2244；3712 1399；3488 1535；3326 1556；3238 1229；4196 1004；4312 790；4386 570；3007 1970；2562 1756；2788 1491；2381 1676；1332 695；3715 1678；3918 2179；4061 2370；3780 2212；3676 2578；4029 2838；4263 2931；3429 1908；3507 2367；3394 2643；3439 3201；2935 3240；3140 3550；2545 2357；2778 2826；2370 2975】
四、实验原理：
（1）模拟退火算法原理
模拟退火算法以一定的概率来接受一个比当前解，因此有可能会跳出这个局部最优解，达到全局最优解。模拟退火算法在搜索到局部最优解后，会以一定的概率接受移动。也许经过几次这样的不是局部最优的移动后会到达某点，于是就跳出了局部最大值。
（1）模拟退火算法流程或步骤

五、实验结果（含和禁忌算法的比较）

两种算法的比较：模拟退火的解不再像禁忌算法那样最后的结果依赖初始点。它引入了一个接受概率p。也就是说，模拟退火没有像禁忌搜索那样每次都寻找比现在好的点，目标函数差一点的点也有可能接受进来。随着算法的执行，系统温度T逐渐降低，最后终止于某个低温， 在该温度下，系统不再接受变化。所以在性能和实验结果上比禁忌算法略优。在运行时间上禁忌算法不到2s，而模拟退火用时长出数倍，时间复杂度较高。
六、思考算法关键参数设置对算法结果的影响
退火结束准则一般有：设置终止温度；设置迭代次数；搜索到的最优值连续多次保持不变；检验系统熵是否稳定。本次实验选择终止温度<1时结束迭代。
1.初始温度
初始温度过高，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，但全局搜索的性能可能会受到影响。针对此次实验，初始温度选取为100。下图为初始温度选择800，3100时的图像对比，可见，初温较高可以搜索到更优解，同时温度较高者初始迭代较慢，在400代时近似收敛，而温度较低者迭代速度快且在280代左右近似收敛。

2.温度衰减系数
衰减系数用于控制温度的退火温度，数值越趋向于1，每次衰减的就越少，获得全局最优解的概率就越大，但是时间消耗也会越大，通常设置在0.95-0.99左右。此次实验在衰减参数取值0.99和0.96时，通过对实验结果的比较，发现衰减参数越接近1，则越能得到好的解（也就是说退火之后能量较低）,通过不同衰减参数下对迭代次数的打印发现，取值0.96时温度下降次数为113，也就是说虽然马尔科夫链长度为1000，但是衰减过快，提前到达此参数下的最低温。 同时衰减系数取值越接近1，运行时间越长。




3.马尔科夫链长度
通常的原则是：在衰减参数T的衰减函数已经选定的情况下，L的选取应遵循在控制参数的每一个取值上都能恢复准平衡的原则,且马尔科夫链长度也是影响时间的主要因素。针对本次实验，为了达到恢复平衡的原则，选为1000。