模拟退火算法

模拟退火算法

一. 爬山算法 ( Hill Climbing )

  介绍模拟退火前，先介绍爬山算法。爬山算法是一种简单的贪心搜索算法，该算法每次从当前解的临近解空间中选择一个最优解作为当前解，直到达到一个局部最优解。
   爬山算法实现很简单，其主要缺点是会陷入局部最优解，而不一定能搜索到全局最优解。如图1所示：假设C点为当前解，爬山算法搜索到A点这个局部最优解就会停止搜索，因为在A点无论向那个方向小幅度移动都不能得到更优的解。

二. 模拟退火(SA,Simulated Annealing)思想

  爬山法是完完全全的贪心法，每次都鼠目寸光的选择一个当前最优解，因此只能搜索到局部的最优值。模拟退火其实也是一种贪心算法，但是它的搜索过程引入了随机因素。模拟退火算法以一定的概率来接受一个比当前解要差的解，因此有可能会跳出这个局部的最优解，达到全局的最优解。以图1为例，模拟退火算法在搜索到局部最优解A后，会以一定的概率接受到E的移动。也许经过几次这样的不是局部最优的移动后会到达D点，于是就跳出了局部最大值A。

模拟退火算法基本步骤

1. 令T =T₀,即开始退火的温度，随机产生一个初始解x₀,并计算相应目标函数值E(x₀)
2. 令T等于冷却进度表中的下一个值T_i。
3. 根据当前解x_i进行扰动(扰动方式可以参考后面的示例)，产生一个新解x_j得到ΔE = E(x_j) - E(x_i)。
4. 若ΔE<0,则新解x_j被接受，作为新的当前解；若ΔE>0，则新解x_j按概率exp(-ΔE/T_i)接受（该概率参考了金属冶炼的退火过程），T(_i)为当前温度
5. 在温度T_i下，重复扰动和接受过程，即执行步骤3和4
6. 判断在这里插入图片描述T是否已经到达了T_f，是：终止算法；否：则转到2继续执行。

算法流程图

Metropolis准则

在温度为T时，由当前状态i产生新状态j，两者的能量分别为E_i和E_j，若E_i<E_j,则接受新状态j为当前状态；否则，以概率P_i=exp(-(E_i-E_j)/kT)大于[0,1]区间的随机数，接受新状态j为当前状态；若以上状态都不成立，则保留状态i为当前状态。上述接受新状态的准则成为Metropolis准则。

算法描述

若J( Y(i+1) )>= J( Y(i) ) (即移动后得到更优解)，则总是接受该移动

若J( Y(i+1) )< J( Y(i) ) (即移动后的解比当前解要差)，则以一定的概率接受移动，而且这个概率随着时间推移逐渐降低（逐渐降低才能趋向稳定）

这里的“一定的概率”的计算参考了金属冶炼的退火过程，这也是模拟退火算法名称的由来。

根据热力学的原理，在温度为T时，出现能量差为dE的降温的概率为P(dE)，表示为：

P(dE) = exp( dE/(kT) )

其中k是一个常数，exp表示自然指数，且dE<0。这条公式说白了就是：温度越高，出现一次能量差为dE的降温的概率就越大；温度越低，则出现降温的概率就越小。又由于dE总是小于0（否则就不叫退火了），因此dE/kT < 0 ，所以P(dE)的函数取值范围是(0,1) 。

随着温度T的降低，P(dE)会逐渐降低。

我们将一次向较差解的移动看做一次温度跳变过程，我们以概率P(dE)来接受这样的移动。

关于爬山算法与模拟退火，有一个有趣的比喻：

爬山算法：兔子朝着比现在高的地方跳去。它找到了不远处的最高山峰。但是这座山不一定是珠穆朗玛峰。这就是爬山算法，它不能保证局部最优值就是全局最优值。

模拟退火：兔子喝醉了。它随机地跳了很长时间。这期间，它可能走向高处，也可能踏入平地。但是，它渐渐清醒了并朝最高方向跳去。这就是模拟退火。

模拟退火算法注意事项

1. 理论上，降温过程要足够缓慢，要使得在每一温度下达到热平衡。然而在计算机实现中，如果降温速度过慢，所得到的接的性能虽然会较为令人满意，但是算法速度会太慢， 模拟退火算法相对于简单的搜索算法不具有明显的优势。如果降温速度过快，很可能最终得不到全局最优解。因此使用时要综合考虑便捷的性能和算法速度，在两者之间折中。
2. 要确定在每一处温度下状态转换的结束准则。实际操作可以考虑当连续m次的转换过程没有事状态发生变化时结束该温度下的状态转换。最终温度的确定可以提前定为一个较小的值eT，或连续几个温度下转换过程没有使状态发生变化算法就结束。
3. 选择初始温度和确定某个可行解的领域的方法也要恰当。

模拟退火算法应用问题

模拟退火算法的应用很广泛，可以求解NP完全问题，但其参数难以控制，其主要问题有以下三点：

1. 温度T的初始设置问题。这是影响模拟退火算法全局搜索性能的重要因素之一。初始温度高，搜索道德全局最优解的概率大，但因此要花费大量的计算时间，反之，则可节约时间，但是全局搜索性能可能受到影响。实际应用过程中，初始温度一般需要依据实验结果进行若干次调整。
2. 退火速度问题。模拟退火算法的全局搜索性能也与退火速度密切相关。一般来说，同一温度下的“充分”搜索（退火）是相当必要的，但这需要计算时间。实际应用中，要针对具体问题的性质和特征设置合理的退火平衡条件。
3. 温度管理问题。这也是模拟退火算法难以处理的问题之一。实际应用中由于必须考虑计算复杂度的切实可行性等问题，常采用如下所示的降温方式：T(t+1) = K×T(t) 式中K为正的略小于1.00的常数，t为降温的次数。

模拟退火算法的伪代码实现

代码
/*
* J(y)：在状态y时的评价函数值
* Y(i)：表示当前状态
* Y(i+1)：表示新的状态
* r： 用于控制降温的快慢
* T： 系统的温度，系统初始应该要处于一个高温的状态
* T_min ：温度的下限，若温度T达到T_min，则停止搜索
*/
while( T > T_min )
{
　　dE = J( Y(i+1) ) - J( Y(i) ) ; 

　　if ( dE >=0 ) //表达移动后得到更优解，则总是接受移动
Y(i+1) = Y(i) ; //接受从Y(i)到Y(i+1)的移动
　　else
　　{
// 函数exp( dE/T )的取值范围是(0,1) ，dE/T越大，则exp( dE/T )也
if ( exp( dE/T ) > random( 0 , 1 ) )
Y(i+1) = Y(i) ; //接受从Y(i)到Y(i+1)的移动
　　}
　　T = r * T ; //降温退火 ，0<r<1 。r越大，降温越慢；r越小，降温越快
　　/*
　　* 若r过大，则搜索到全局最优解的可能会较高，但搜索的过程也就较长。若r过小，则搜索的过程会很快，但最终可能会达到一个局部最优值
　　*/
　　i ++ ;
}

转载自： http://www.cnblogs.com/heaad/