2018华为软件精英挑战赛-模拟退火算法

2018年的华为软件精英挑战赛题目简介：给出华为云虚拟机过去的租借数量历史数据，用以训练模型并预测下一个时间段里的虚拟机租借数量，然后把这些预测得到的虚拟机装填进一定规格的物理机中，即分为预测和装填两个部分。

 

总结一下装填部分使用的模拟退火算法：

算法原理

装填的基础算法是FF（首次适应算法），而虚拟机的序列会影响FF算法的装填效果。比较明显的是FFD把序列降序之后再使用FF算法往往效果更好。而模拟退火算法目的就是获得一个较好的序列。

模拟退火的基本原理就是设置一个初始温度、一个最低温度，一个降温速率。例如初始温度取100，最低温度取1，降温速率取0.9 。则温度迭代从100开始，每次迭代都使当前温度变为0.9T，直至到达1为止。

每次迭代都随机交换虚拟机序列中的任意两个元素，然后用这个序列进行FF装填，得到一个评判分数J_cur，而设当前记录的最优分数为J_min（评判分数=目前使用物理机数-1+最后一个物理机的资源占有率，因此分数越低越好）。设dE=J_cur-J_min,

如果dE<=0，即当前分数更小，装填效果更好，则接受这个序列

如果dE>0，即当前分数更大，装填效果更差，则按一定几率接受这个序列

这个几率的公式为：

是一个负数，随着T的降低，减小，则exp()也减小。

就是说温度越低，接受这个不合格的序列的可能性越低。这样的目的是让迭代前期接受更多不合格序列以期脱离局部最优，而迭代后期接受更少不合格序列以得到最优方案。

每次迭代都设一个0到1之间的随机数rand，用以跟P对比，如果P>rand，则接受这个方案。

迭代初期，由于T比较大，P趋近于1，因此很大概率会接收这个不合格方案，而迭代后期T比较小，P趋近于0，因此很大概率不接受这个方案。

如下图，蓝线为P、橙线为rand、灰线为P-rand。

 

可见随着迭代次数的增加，灰线会慢慢的变得小于0

而上图其实并不严格遵循公式，如果严格遵循，则效果如下：

 

可见P一直都很大，这样无论迭代多少次，都会一律接受这些不合格的方案，也就相当于随机序列了。原因是dE这个数值太小了，无论T怎么变化都没有用，所以我加了一个参数进去：