一.算法来源:模拟退火算法(SA)源于固体退火原理,是一种基于概率的算法。将固体加温至充分高的温度,再让其徐徐冷却,加温时,固体内部粒子随温升变为无序状,内能增大,分子和原子越不稳定。而徐徐冷却时粒子渐趋有序,能量减少,原子越稳定。在冷却(降温)过程中,固体在每个温度都达到平衡态,最后在常温时达到基态,内能减为最小。
二.相关知识背景
玻尔兹曼分布推导(可跳过)
假设我们有一个包含宏观粒子总数为N、环境温度为T、定容条且达到热力平衡的封闭系统。假定此处只有、
粒子是有效的,它们分别包含了
、
个微粒。 其中N=
+
。总微观状态数为
微观状态数(W)和熵(S)的关系在统计物理内的定义:
其中K为普朗克常数,依据(2)式则当前系统熵为:
若给予一定能量使1个处于状态的粒子激发到
状态,则此时系统熵为:
由(4)-(3)式得
熵(S)与系统从外界吸收的热量(Q)在热力学中的关系为:
(5)、(6)式联立得
三.模拟退火过程
想象一下如果我们现在有下面这样一个函数,现在想求函数最小值的(全局)最优解。如果采用贪心策略,那么从A点开始试探,如果函数值继续减少,那么试探过程就会继续。而当到达点B时,显然我们的探求过程就结束了。最终我们只能找打一个局部最后解B,显然不是我们想要的全局最优解C。相交于普通的贪心算法,模拟退火算法以一定的概率来接受一个比当前解要差的解,因此有可能会跳出这个局部的最优解,达到全局的最优解。
将函数值视为能量,模拟退火算法使第n次迭代状态与n+1次迭代状态进行比较。定义系统由x(n)变为x(n+1)的接受概率P为:
当E(n+1)>E(n)时, Metropolis接受准则使模拟退火算法具有一定爬坡能力,且这种爬坡能力会随着温度降低逐渐降低,最终趋于稳定。
用固体退火模拟组合优化问题,将内能E模拟为目标函数值f,温度T演化成控制参数t,即得到解组合优化问题的模拟退火算法:由初始解i和控制参数初值t开始,对当前解重复“产生新解→计算目标函数差→接受或舍弃”的迭代,并逐步衰减t值,算法终止时的当前解即为所得近似最优解,退火过程由冷却进度表(Cooling Schedule)控制,包括控制参数的初值t及其衰减因子Δt、每个t值时的迭代次数L和停止条件Tf。而温度的作用就是来计算转移概率P的。当温度每次下降后,转移概率也发生变化,因此在所有温度下迭代L次的结果也都是不相同的。在每个温度下迭代L次来寻找当前温度下的最优解,然后降低温度继续寻找,直到到达终止温度,即转移概率P接近于0.
四.应用示例(matlab)
求解:x+10sin(5x)+7cos(4x)在[0,9]区间最大值
clear;
%范围
section_l = 0;
section_h = 9;
%绘制函数图像
draw_base();
%初始温度,停止温度与降温系数
tmp = 1e5;
tmp_min = 1e-3;
alpha = 0.98;
%生成初始随机解
x_old = (section_h - section_l) * rand() + section_l;
x_new = x_old;
s_old = val(x_old);
s_new = s_old;
text_lt = text(0, 0, 'Init');
%计数器
counter = 0;
%退火的主体部分,一个循环
while(tmp > tmp_min)
%随机扰动
delta = (rand() - 0.5) * 3;
x_new = x_old + delta;
%扰动的值小于一半的区间范围时,可以用这种办法防止新值超出区间范围
if(x_new < section_l || x_new > section_h)
x_new = x_new - 2 * delta;
end
s_new = val(x_new);
%求差值,这里是找最大值而非最小值,所以不是s_new - s_old
dE = s_old - s_new;
%判断
j = judge(dE, tmp);
if(j)
s_old = s_new;
x_old = x_new;
end
%只有当dE < 0的情况下才降温
if(dE < 0)
delete(text_lt);
hold on, scatter(x_old, s_old);
hold on, text_lt = text(0.3, 21, ['tmp: ', num2str(tmp)]);
pause(0.01);
%上面是绘图的代码,下面降温
tmp = tmp * alpha;
else
counter = counter + 1;
end
%当接受更差的解的概率太小时,若又长时间找不到更优的解,那么退出循环,结束算法
if(counter > 10000)
break;
end
end
function [y] = val(x)
y = x + 10 * sin(5 * x) + 7 * cos(4 * x);
end
function draw_base()
X = 0: 0.01:9;
M = val(X);
plot(X, M);
end
function [y] = judge(dE, t)
if(dE < 0)
y = 1;
else
d = exp(-(dE / t));
if(d > rand)
y = 1;
else
y = 0;
end
end
end