模拟退火算法

模拟退火

退火这个概念是在热力学当中的，实际上就是把物体加热到一个高温，然后慢慢冷却到一个特定的温度。要求均衡降温。

而运用到统计学当中，因为是模拟这个过程，所以叫模拟退火。

这个算法有几个重点部分：

重点部分1 算法流程

假设我们找的是区间最大值

const int T=100
const int T_min=1e-18
const int dr=0.97//温度衰减率
const int limit=1001; //循环次数限定
while (t>t_min)
{
   int old, best, now;
   int xh=0;
   for (int i=1; ... ; i++)
   {
   	  now=f(i);
   	  if (old-now<0) {old=now; xh=0;}
   	  else if ((1.0*(now-old)/t)>rand()/(RAND_MAX+1.0) && (1.0*(now-old)/t)<1) 
   	  {old=now; xh++;}
   	  if (xh>limit) {fu++; break;}
   }
   if (old>best) best=old;
   t*=dr;
}

我们解释一下最核心的两个地方，如果新更新的值比原来优，那么直接更新。如果没有，那么一定概率选择这个不优的解。而这个概率由，两个函数的差值除以目前的温度与一个随机的数的大小决定。（这样做的原因是提高不陷入某个凸函数的区间的概率）.
其他的地方，我用一个循环来限制了内部最大循环次数，这样可以有效提高程序效率。

重点部分2 关于参数的设定

根据退火的定义，我们要设定一个高温 $T,$ 目标温度 $T_{min}$ ，每次降温的热量 $\Delta r$ .

当然，要多次试验，尽管是相同参数都会产生不一样的结果，而且可能时间也不一样。使用c++的clock函数来测定时间。这个东西完全就是看 $RP$ 的。平时脸黑没有关系。

当然说正经的，如果你的程序跑的有点慢，可以适当减小 $\Delta r$ 来尝试， 或者增大 $T_{min}$， 可是这些操作都会降低程序的准确性。所以在调试模拟退火的时候，要自己手动二分这些参数。 当然有个暴力跑对拍是最好的。可是你都写了模拟退火还写什么暴力啊？

重点部分3 套入其他的算法

从最开始的一个乱七八糟的函数上找极值，是比较序列的问题。如果只能处理这样的问题，那不是很垃圾吗？所以当然要套一些奇奇怪怪的♂算法。套什么最优值的就可以了。

先更新到这里