参考博客:http://blog.csdn.net/AI_BigData_wh/article/details/77943787?locationNum=2&fps=1
感觉就是xjb搜索啊???
基本思想
模拟退火其实也是一种贪心算法,但是它的搜索过程引入了随机因素。在迭代更新可行解时,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。以下图为例,假定初始解为左边蓝色点A,模拟退火算法会快速搜索到局部最优解B,但在搜索到局部最优解后,不是就此结束,而是会以一定的概率接受到左边的移动。也许经过几次这样的不是局部最优的移动后会到达全局最优点D,于是就跳出了局部最小值。
算法描述
优缺点分析
模板(HDU3007)
#include<bits/stdc++.h>
using namespace std;
//hdu 3007 最小圆覆盖
namespace SA
{
const double Lim=0.999999;//exp(-dif/T)为概率下降时候的阈值(或者可以用随机数)
const double EPS=1e-3;
const double PI=acos(-1.0);
double Delta,maxx,minx,maxy,miny,lx,ly,dif;//Delta步长
int n,ns,nc;//ns搜索点的个数,nc每次搜索每个点走的步数
struct Point
{
double x,y;
}P[505];
struct Solution
{
double x,y;
double f;
}S[25];
double Dis(double x1,double y1,double x2,double y2)
{
return sqrt((x1-x2)*(x1-x2)+(y1-y2)*(y1-y2));
}
void Seed()
{
for(int i=1;i<=ns;i++)
{
S[i].x=minx+((double)(rand()%1000+1)/1000.0)*lx;
S[i].y=miny+((double)(rand()%1000+1)/1000.0)*ly;
S[i].f=0.0;
for(int j=1;j<=n;j++)
S[i].f=max(S[i].f,Dis(S[i].x,S[i].y,P[j].x,P[j].y));
}
}
void Trans()
{
for(int i=1;i<=ns;i++)
{
for(int j=1;j<=nc;j++)//移动次数
{
Solution A;
double theta=(((double)(rand()%1000+1))/1000.0)*2.0*PI;
//退火的方向,有的题目里设定为八个方向
A.x=S[i].x+Delta*cos(theta);
A.y=S[i].y+Delta*sin(theta);
if(A.x<minx||A.x>maxx||A.y<miny||A.y>maxy) continue;
A.f=0.0;
for(int k=1;k<=n;k++)
A.f=max(A.f,Dis(A.x,A.y,P[k].x,P[k].y));
dif=A.f-S[i].f;
if(dif<0.0)
S[i]=A;
else
{
dif=exp(-dif/Delta);
if(dif>Lim)
S[i]=A;
}
}
}
}
void solve()
{
maxx=maxy=0;
minx=miny=(1<<20);
for(int i=1;i<=n;i++)
{
scanf("%lf%lf",&P[i].x,&P[i].y);
if(maxx<P[i].x) maxx=P[i].x;
if(minx>P[i].x) minx=P[i].x;
if(maxy<P[i].y) maxy=P[i].y;
if(miny>P[i].y) miny=P[i].y;
}
lx=maxx-minx;
ly=maxy-miny;
Delta=sqrt(lx*lx+ly*ly)/3.0;
ns=1,nc=1;
Seed();
while(Delta>EPS)
{
Trans();
Delta=Delta*0.95;//0.95 0.9
}
int ans=1;
for(int i=1;i<=ns;i++)
if(S[ans].f>S[i].f)
ans=i;
printf("%.2lf %.2lf %.2lf\n",S[ans].x,S[ans].y,S[ans].f);
}
}
int main()
{
while(scanf("%d",&SA::n)==1&&SA::n)
{
SA::solve();
}
return 0;
}