模拟退火算法

          这个算法是在《集体智慧编程》中读到的，页码大概是在P95，有兴趣的同学可以私下好好专研一番，我在这里就简单的抒写一些个人感受以及内容介绍吧。

首先呢，介绍一些类似的优化算法以及这些算法中的各种不足与优点吧：

一、随机搜索法：顾名思义，就是不断的给出随机解，然后在大量的解中找到最优的那个解。

       优点：思路简单，代码好写

       缺点：如果不是八核、32G、第九代i7等这样的配置，估计你得运行上个好几天才能求出一个好的解

二、爬山法：就是顺着一个相对来说好的解的方向进行不断的求出最优解
       优点：相对比起随机搜索法，显的理智了不少

       缺点：容易得到局部最优解，也就是看上去好像是最好的，实际也是好的，但不代表全部中的最好

 三、模拟退火算法（本文主讲）：受物理学领域启发而来的一种优化算法（看起来就牛逼吧，高端！），也是由一个问题的随机解开始。它用一个变量来表示温度，这一温度开始时非常高，然后逐渐降低。每一次迭代期间，算法回随机选中题解中的某个数字，然后朝某个方向变化

       优点：能介绍局部最优解，如果这三个算法按学历来排的话，这个应该是博士吧

       缺点：额......."博士"的缺点，身为本科生暂时没想到。

好咯，嗑瓜子部份的内容也讲完了，接下来就再来个爆米花内容的节目呗，介绍一下算法原理咯？

这里我就简单的略写一下把，上面的介绍也讲了一部分原理，这里来点专业点的把。

公式来一个：

嗯，大概就是这样，简单给大家描述一下，也就是这个T一开始数值会高，也就可以避免前面说的局部最优解这个问题了，这个T对避免这个局部最优解十分重要！比如：刚开始这个解的相差很小，在爬山法中可能就不会往这个方向进行了，但是在退火算法中，它就不一定了，它也可能会接受这样的解，以此来避免后面的局部最优解这个问题。

接下来，代码走起：

def annealingoptimize(domain,costf,T=10000.0,cool=0.95,step=1):
    vec=[float(random.randint(domain[i][0],domain[i][1])) for i in range(len(domain))]
    while T>0.1:
        #随机选择一个需要修改的值
        i=random.randint(0,len(domain)-1)
        #选择一个改变索引值的方向
        dir=random.randint(-step,step)
        #创建一个代表题解的新列表，改变其中一个值
        vecb=vec[:]
        vecb[i]+=dir
        if vecb[i]<domain[i][0]:
            vecb[i]=domain[i][0]
        elif vecb[i]>domain[i][1]:
            vecb[i]=domain[i][1]
        #计算当前成本和新的成本
        ea=costf(vec)
        eb=costf(vecb)
        
        #它是更好的解吗？或者是趋向最优解的可能的临界解吗？
        if(eb<ea or random.random()<pow(math.e,-(eb-ea)/T)):
            vec=vecb
            
        #然后逐步降低温度值进行迭代
        T=T*cool
    return vec

这部份呢，这部份的算法灵魂最主要的就是  ：

if(eb<ea or random.random()<pow(math.e,-(eb-ea)/T))  这条代码了，大家有兴趣的再好好的琢磨琢磨呗。

有兴趣的也可以和我一起探讨一下更多更有趣的算法，等你来噢！