优化算法 | 退火算法流程

我发现模拟退火算法的过程和随机化算法里面的蒙特卡洛算法很像，都是选择初始值s，能量函数e(s)，初始能量是很高的，比如在解方程的时候，随机生成初始解s，解出来的值和目标值的差为其能量e(s)，一开始能量是很高的，也就是差值是很高的，一开始有一个随机倍数k，一开始k很高，然后随机生成一个数a，a为-k~k之间，然后将s`=s+a，评估e(s`)也就是s`的能量，如果能量降低了，说明接近最终解了,取s`为s，将k变大，继续下一次随机，也就是再取一个a；如果能量升高了说明远离了最终解，这个时候有一定的概率取s`，这个概率和当前的能量有关,将k变小,从新取a，继续从s开始模拟，

持续以上模拟一直到e(s`)足够小或者是模拟的次数足够多。

模拟退火算法伪代码

1 2 3 4 5 6 7 8 9

s:=s0;e:=E(s)//设定目前状态为s0，其能量E(s0) k:=0//评估次数k whilek<kmaxande>emax//若还有时间（评估次数k还不到kmax）且结果还不够好（能量e不够低）则： sn:=neighbour(s)//随机选取一临近状态sn en:=Esn)//sn的能量为E(sn) ifrandom()<P(e,en,temp(k/kmax))then//决定是否移至临近状态sn s:=sn;e:=en//移至临近状态sn k:=k+1//评估完成，次数k加一 returns//回转状态s

退火算法可以用来求解NP难问题，对于NP难问题而言，可以设计一个多项式时间的算法，不断的列举可能的解，由于解可以在多项式时间内验证，因此算法的总的时间实际上上是多项式时间，多于P难问题，就没有这个必要了，因为他们的解可以在多项式时间内解出来。

对于P类问题而言，它描述的是算法在最坏情况下的时间复杂度。

模拟退火算法的算法流程图，如下所示，模拟退火算法首先是设置初始温度，并产生一个初始解，其中，初始解可以随机产生或者是通过某种构造方法来获得，其次，在指定的迭代次数中，进行多次迭代。在每次迭代中，首先运用某种局部搜索或者扰动等手段获得一个新解；然后判断新解和当前解的目标函数值之间的关系，如果新解有所改进，则接受该新解为新的当前解，否则，按照概率公式决定是否选择新解为当前解。随着迭代的进行，温度逐渐降低，直到算法收敛或者达到某种预定的终止条件为止 

输入：实例I

输出：解X*

Begin

(1)  初始化：设置初始温度为T，初始解为X=X0，每个T值的迭代次数L

(2)  For i=1,2,…L do

(2.1) 产生新解X`

(2.2)计算增量E=f(x`)-f(x),其中f为评价函数（目标函数）

（2.3）若E<0，则X=X`，否则以概率e^(-E/(kT))接受X`为新的当前解X

Endfor

(3)  如果满足终止条件则输出当前解为最优解X*，结束程序

(4)  T逐渐减少，且T>0，然后转第（2）步

(5)  输出目标函数值最好的解X*

End

模拟退火算法会进行多次模拟，每次模拟的温度T都不一样，每一次模拟都会生成一个X*,最后会输出最好的那个X*