python实现模拟退火算法

模拟退火算法（Simulated Annealing, SA）是一种启发式随机搜索算法，它模仿了物理学中固体物质的退火过程。在求解组合优化问题时，模拟退火算法从某一较高初温开始，伴随温度参数的不断下降，结合概率突跳特性在解空间中随机寻找目标函数的全局最优解。

以下是一个简单的 Python 实现模拟退火算法的示例，用于解决函数的最优化问题（例如寻找函数 f(x) = x^2 的最小值）：

import math  
import random  
  
# 目标函数，例如 f(x) = x^2  
def objective_function(x):  
    return x ** 2  
  
# 模拟退火算法  
def simulated_annealing(initial_temp, min_temp, cooling_rate, max_iter, x_start):  
    current_x = x_start  
    current_energy = objective_function(current_x)  
    best_x = current_x  
    best_energy = current_energy  
    temp = initial_temp  
  
    for i in range(max_iter):  
        # 产生新解  
        new_x = current_x + random.uniform(-1, 1)  
        new_energy = objective_function(new_x)  
  
        # 判断是否接受新解  
        if new_energy < current_energy:  
            current_x = new_x  
            current_energy = new_energy  
            if new_energy < best_energy:  
                best_x = new_x  
                best_energy = new_energy  
        else:  
            # 以一定概率接受较差的解  
            if random.random() < math.exp(-(new_energy - current_energy) / temp):  
                current_x = new_x  
                current_energy = new_energy  
  
        # 降温  
        temp *= cooling_rate  
  
        # 判断是否终止  
        if temp < min_temp:  
            break  
  
    return best_x, best_energy  
  
# 参数设置  
initial_temp = 100  # 初始温度  
min_temp = 0.01     # 最小温度  
cooling_rate = 0.95 # 降温率  
max_iter = 1000     # 最大迭代次数  
x_start = 5         # 初始解  
  
# 运行模拟退火算法  
best_x, best_energy = simulated_annealing(initial_temp, min_temp, cooling_rate, max_iter, x_start)  
print(f"Best x: {best_x}, Best energy: {best_energy}")