模拟退火算法_matlab算法模拟退火

图1 模拟退火搜索演示图

由于前段时间较繁忙，好些时日没有更新公众号了，感谢大家一如既往地支持！！！

之前给大家介绍了爬山算法，虽它有其便利之处，但只对近邻点的感兴趣，难免在寻优过程中陷入局部最优。今天要介绍的模拟退火相当于爬山算法的升级版，它以一定的概率来接受一个比当前解要差的解，因为引入随机过程使得算法能够以“蛙跳式”寻优，就有可能在寻优过程中跳出局部最优从而最终找到全局最优。

以上图为例，模拟退火算法以A点作为初始值，在搜索到局部最优解B点后，会以一定的概率接受往C点方向的移动，可能通过反复地移动搜索就能找到最终的全局最优解D点。

---

模拟退火算法描述：

1、在指定区间随机产生一定数量的初始解，计算初始目标函数值；

2、结合温度系数更新初始解，计算更新后的目标函数值并计算其与初始目标函数值的差值；

3、根据需要来做判断，这里假设取最大值：若差值大于等于0，则总是接受该移动；若差值小于0，根据Metropolis接受准则来确定取值，根据Metropolis准则，粒子在温度T时趋于平衡的概率为exp(-ΔE/(kT))，其中E为温度T时的内能，ΔE为其改变数，k为玻尔兹曼常数。Metropolis准则可表示为：

由于能量差dE小于0，温度越高，降温的概率就越大；温度越低，则出现降温的概率就越小。

4、重复2,3直至降温结束或达到规定精度要求。

%% 模拟退火演示程序clear;clc;close all;% 求解区间minx = -4;maxx = 2; % 目标函数fun = @(x) 3*exp(sin(x.^3))-9*cos(x.^2)-5.6*sin(x); % 初始解数量num = 12;% 初始位置loc = minx + (maxx-minx)*rand(1,num);% 根据区间生成模拟温度T = maxx-minx; % 迭代次数Iter = 200;% 温度位移系数kd = 0.5;% 温度概率系数,相当于波尔兹曼常数k = 0.01; % 温度降低速率vt = 0.97;% 当前解vP = fun(loc);x = minx:0.01:maxx;y = fun(x);% 存储每个迭代步的最优解Re = zeros(1,Iter);% 外层循环用于温度迭代，内层循环用于多初始值求解for t = 1:Iter    % 当前温度下的平均移动距离    dx_av = kd*T;     % 更新后的温度    T = T*vt;for p = 1:num        % 以平均移动距离为中心正态分布        dx = dx_av*normrnd(0,1) + dx_av;if rand <= 0.5 % 左移右移各占50%            dx = - dx;        end        locV = loc(p) + dx;if (locVminx) %判断是否越界            local_value = fun(locV);if local_value > vP(p)                loc(p) = locV;                vP(p)=local_value;else                dltE = local_value-vP(p);                P = exp(dltE/(k*T));if rand < P                    loc(p) = locV;                    vP(p) = local_value;                end            end        end    end    Re(t) = max(vP);if mod(t,5) == 0        subplot(2,1,1);        plot(x,y);        ylim([min(y)-1 max(y)+1]);        hold on;        plot(loc, vP,'r.','MarkerSize',10);        title('搜寻过程动态演示');        ylabel('函数值 Y');        xlabel('自变量 X');        hold off;        subplot(2,1,2);        plot(1:t,Re(1:t));        hold on;        plot(1:t,ones(1,t)*Re(t),'r--');        ylim([min(Re(1:t))-1 max(Re(1:t))+1]);        [v,c] = max(vP);        title(['当前最优解: ',num2str([loc(c) v])]);        ylabel('当前最优解');        xlabel('迭代步数');        hold off;        pause(0.05);    endend

运行效果：

当前最优解: -1.69001      22.2977

赞赏 是一种动力  分享 是一种美德