模拟退火算法

一. 爬山算法 ( Hill Climbing )
介绍模拟退火前，先介绍爬山算法。
爬山算法是一种简单的贪心搜索算法，该算法每次从当前解的临近解空间中选择一个最优解作为当前解，直到达到一个局部最优解。

爬山算法实现很简单，其主要缺点是会陷入局部最优解，而不一定能搜索到全局最优解。如图1所示：
假设C点为当前解，爬山算法搜索到A点这个局部最优解就会停止搜索，因为在A点无论向那个方向小幅度移动都不能得到更优的解。

二. 模拟退火(SA,Simulated Annealing)思想

     爬山法是完完全全的贪心法，每次都鼠目寸光的选择一个当前最优解，因此只能搜索到局部的最优值。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。
     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。以图1为例，模拟退火算法在搜索到局部最优解A后，会以一定的概率接受到E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D点，于是就跳出了局部最大值A。

     模拟退火算法描述：

     若J( Y(i+1) )>= J( Y(i) )  (即移动后得到更优解)，则总是接受该移动

     若J( Y(i+1) )< J( Y(i) )  (即移动后的解比当前解要差)，则以一定的概率接受移动，而且这个概率随着时间推移逐渐降低（逐渐降低才能趋向稳定）

　　这里的“一定的概率”的计算参考了金属冶炼的退火过程，这也是模拟退火算法名称的由来。

　　根据热力学的原理，在温度为T时，出现能量差为dE的降温的概率为P(dE)，表示为：

　　　　P(dE) = exp( dE/(kT) )

　　其中k是一个常数，exp表示自然指数，且dE<0。这条公式说白了就是：温度越高，出现一次能量差为dE的降温的概率就越大；温度越低，则出现降温的概率就越小。又由于dE总是小于0（否则就不叫退火了），因此dE/kT < 0 ，所以P(dE)的函数取值范围是(0,1) 。

　　随着温度T的降低，P(dE)会逐渐降低。

　　我们将一次向较差解的移动看做一次温度跳变过程，我们以概率P(dE)来接受这样的移动。

　　关于爬山算法与模拟退火，有一个有趣的比喻：

　　爬山算法：兔子朝着比现在高的地方跳去。它找到了不远处的最高山峰。但是这座山不一定是珠穆朗玛峰。这就是爬山算法，它不能保证局部最优值就是全局最优值。

　　模拟退火：兔子喝醉了。它随机地跳了很长时间。这期间，它可能走向高处，也可能踏入平地。但是，它渐渐清醒了并朝最高方向跳去。这就是模拟退火。

下面给出模拟退火的伪代码表示。

三. 模拟退火算法伪代码

代码

/*
* 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 ++ ;
}

四. 使用模拟退火算法解决旅行商问题

　　旅行商问题 ( TSP , Traveling Salesman Problem ) ：有N个城市，要求从其中某个问题出发，唯一遍历所有城市，再回到出发的城市，求最短的路线。

　　旅行商问题属于所谓的NP完全问题，精确的解决TSP只能通过穷举所有的路径组合，其时间复杂度是O(N!) 。

　　使用模拟退火算法可以比较快的求出TSP的一条近似最优路径。（使用遗传算法也是可以的，我将在下一篇文章中介绍）模拟退火解决TSP的思路：

1. 产生一条新的遍历路径P(i+1)，计算路径P(i+1)的长度L( P(i+1) )

2. 若L(P(i+1)) < L(P(i))，则接受P(i+1)为新的路径，否则以模拟退火的那个概率接受P(i+1) ，然后降温

3. 重复步骤1，2直到满足退出条件

   　　产生新的遍历路径的方法有很多，下面列举其中3种：

4. 随机选择2个节点，交换路径中的这2个节点的顺序。

5. 随机选择2个节点，将路径中这2个节点间的节点顺序逆转。

6. 随机选择3个节点m，n，k，然后将节点m与n间的节点移位到节点k后面。

五. 算法评价

    模拟退火算法是一种随机算法，并不一定能找到全局的最优解，可以比较快的找到问题的近似最优解。 如果参数设置得当，模拟退火算法搜索效率比穷举法要高。

接下来举一个例子：hdu 5017。

传送门：http://acm.hdu.edu.cn/showproblem.php?pid=5017

求椭球上的点到原点的最短距离。

第一次做模拟退火的题= =。

/*
降温系数越大，得到最优解的概率越大，虽然可能会慢一点。

因为是三维的，所以往八个方向扩展找邻域解。

然后遇到比他优的解一定接受。
*/
#include <cstdio>
#include <cstring>
#include <algorithm>
#include <iostream>
#include <cmath>
#define eps 1e-8
#define INF 1000000005
using namespace std;
double a,b,c,d,e,f;
int dx[8]={0,0,1,-1,1,-1,1,-1};
int dy[8]={1,-1,0,0,1,-1,-1,1};
double dis(double x,double y,double z)
{
    return sqrt(x*x+y*y+z*z);
}
double zhengjie(double x,double y)
{
    double A=c;
    double B=d*y+e*x;
    double C=f*x*y+a*x*x+b*y*y-1.0;
    double deta=B*B-4.0*A*C;
    if(deta<0.0)
    {
        return INF;
    }
    deta=sqrt(deta);
    double re1=1.0*(-B+deta)/(2.0*A);
    double re2=1.0*(-B-deta)/(2.0*A);
    double r1=dis(x,y,re1);
    double r2=dis(x,y,re2);
    if(r1<r2)
    {
        return re1;
    }
    return re2;
}


double sa()
{
    double x,y,z;//当前最优解
    x=0;
    y=0;
    z=sqrt(1.0/c);
    double step=1.0;
    double speed=0.98;
    while(step>eps)
    {
        for(int i=0;i<8;i++)
        {
            double kx=x+step*dx[i];
            double ky=y+step*dy[i];
            double kz=zhengjie(kx,ky);
            //if(kz>=INF)
             //   continue;
            double r1=dis(kx,ky,kz);
            double r2=dis(x,y,z);
            if(r1<r2)
            {
                x=kx,y=ky;
                z=kz;
            }
        }
        step*=speed;//降温
    }
    return dis(x,y,z);
}
int main (void)
{
    while(~scanf("%lf %lf %lf %lf %lf %lf",&a,&b,&c,&d,&e,&f))
    {
        double re=sa();
        printf("%.7f\n",re);
    }
    return 0;
}