徘徊在WA和tel的模拟退火

模拟退火

模拟降温的过程：温度越高时温度下降越多，温度越低（稳定）时，温度下降越少

---

首先由爬山算法开始
爬山算法：即完完全全的贪心算法，只找到眼前的山峰最高值。
但从c点开始时，我们发现找到的A点不是全局最优解，这也是贪心的缺点。

---

模拟退火是在爬山算法上做的改进：

其核心是：即使找到的不是最优解，也有概率选择它
这样就能跳出贪心的局部最优，搜索到全局最优

概率符合退火规律：范围越不确定时，跳出概率越大；随着范围缩小，跳出概率越低

很合理了。
上图山坡的例子，当找到A点后，再找E点，有概率选择到E点。

以下是网上他人的伪代码，我认为很好理解： http://www.cnblogs.com/heaad/

/*
* J(y)：在状态y时的评价函数值
* Y(i)：表示当前状态
* Y(i+1)：表示新的状态
* r： 用于控制降温的快慢
* T： 系统的温度，系统初始应该要处于一个高温的状态
* T_min ：温度的下限，若温度T达到T_min，则停止搜索
*/
while( T > T_min )
{
　　dE = J( Y(i+1) ) - J( Y(i) ) ; 

　　if ( dE >=0 ) //表达移动后得到更优解，则总是接受移动
Y(i+1) = Y(i) ; //接受从Y(i)到Y(i+1)的移动
　　else
　　{
// 函数exp( dE/T )的取值范围是(0,1) ，dE/T越大，则exp( dE/T )也
if ( exp( dE/T ) > random( 0 , 1 ) )
Y(i+1) = Y(i) ; //接受从Y(i)到Y(i+1)的移动
　　}
　　T = r * T ; //降温退火 ，0<r<1 。r越大，降温越慢；r越小，降温越快
　　/*
　　* 若r过大，则搜索到全局最优解的可能会较高，但搜索的过程也就较长。若r过小，则搜索的过程会很快，但最终可能会达到一个局部最优值
　　*/
　　i ++ ;
}

---

关于火候的把握

理解了上述退火的思想，我们也应该发现：
找到全局最优解只是个概率事件！！！
而决定概率的一共有三个变量：

1. 温度的初始值
2. 退火速度
3. 模拟次数（温度管理）

聪明的你也应该会发现：

• 如果退火速度太慢\次数太高\范围太大 会导致tle
• 如果退火速度太快\次数太低\范围太小 会导致wa
• 使用的rand函数若取的运气不好，会出现一样的代码一次wa，一次ac的神奇现象

一般的做题步骤：

求到n个点最短距离的点坐标

1. 随机生成几个点（看题目给的点个数差不多一样就行）rand函数；
   对每个点模拟30~50次不等rand函数（具体模拟就是从该点走随机个步数到一个新点，比较一下最近的距离是不是最优，若是，更新）
   输出最后更新的那个点就是解。
   退火思想：每个点模拟时，范围越大，rand函数走出的步长越长，范围越小时，rand越小，结果越接近。

2. 找一个起始点（零点吧）；在给定点中找出最近的点和其距离；更新起始点，向最近点靠近

s.x+=(P[k].x-s.x)/d*T;
s.y+=(P[k].y-s.y)/d*T;

退火思想：范围越大靠近的距离越多，范围越小时，靠近的距离越小