模拟退火算法原理及实现

原理

模拟退火是寻找最优解的一种算法。
算法描述如下:

在这里插入图片描述

它包含两层循环,外层代表着温度的逐渐降低,内层代表在同一温度下的迭代次数。
每次迭代都会产生一个随机的解,如果这个解更优,则接受,否则按照一定 概率 接收。
这个 概率 e − ∣ △ f ∣ t e^{- \frac{|△f|} {t}} etf 决定,随着温度降低,这个 概率会越来越小。

例子

下面演示使用此方法求解函数 z = (x-34)^2 + (y-45)^2, 得到最小值时的解。

运行结果:
可以看到,最终通过模拟退火算法得到的解,与真实解[34, 45]已经十分接近。
在这里插入图片描述

代码如下:


import numpy as np
import matplotlib.pyplot as plt

#求此函数全局最小值时的解
def func(x, y):
    return (x - 34) ** 2 + (y - 45) ** 2



solve = np.array([0, 0]) #初始解
t_max = 200              #最高温度
t_min = 0.01             #最低温度
t_factor = 0.8           #温度变化率
count = 20               #每个温度迭代次数

x, y = np.meshgrid(np.linspace(0, 100, 100), np.linspace(0, 100, 100))
z = func(x, y)

while t_max >= t_min:
    for i in range(count):
    	#生成随机解
        delta = np.random.rand() * np.pi * 2 
        new_arg = solve + (np.log((t_max - t_min) + 1)) * np.array([np.cos(delta), np.sin(delta)] )
        delta_z = func(new_arg[0], new_arg[1]) - func(solve[0], solve[1])
        
        #接受新解
        if delta_z < 0  or np.random.rand() < np.exp(-(delta_z) / t_max ):
            solve = new_arg
            
        #画图
        plt.clf()
        plt.imshow(z)
        plt.scatter(solve[0], solve[1])
        plt.scatter(34, 45)
        plt.title("t:" + str(t_max) + ", solve: " + str(solve))
        plt.pause(0.003)
    t_max = t_factor * t_max;
        



  • 1
    点赞
  • 7
    收藏
    觉得还不错? 一键收藏
  • 1
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值