模拟退火算法（浅谈）

 

模拟退火启发自统计力学的研究：材料中粒子的不同结构对应于粒子的不同能量水平。高温条件下，粒子能量较高，可以自由运动和重新排列。低温条件下， 粒子能量较低，能够形成低能状态的晶体。在我们优化一个目标函数时，事先我们也并不知道最优值为多大，确定一个值的好坏，只能通过和前一个值进行比较，这也是为什么容易陷入局部极小。

模拟退火算法在遇到一个新解的时候，分两种情况来决定是否接受该新解。我们用CUR和PRE分别表示新解和旧解

1. 如果新解比旧解好，无条件地接受新解（这一条保证可以往极值方向前进，不管是不是全局最优）
2. 如果新解不如旧解，可能会接受新解（在算法中加上一些随机性，这一条让算法具备了跳出局部最小的能力）

模拟退火能够帮助降低陷在局部最小的可能性

模拟退火算法的Algorithm如下

我们用C来表示一个解。算法初始时，我们随机赋予一个可行解。温度T从开始下降到。在for循环体内，首先我们计算当前解C的能量（能量越大，则表示解越好。对应到旅行商问题，能量就是经过所有城市的总路程），然后使用next()方法得到一个新的解N（产生的新解和温度T是无关的，比如对于旅行商问题来说，新解可以通过替换两个随机选择的城市的位置来产生）。接下来，我们就比较这两个解的能量差异，满足条件的话，就将新解更新。需要注意的是，温度并不用于产生新解，只是用于决定是否该接受较差的新解。