模拟退火(SA)—原理以及Python简单实现

1.模拟退火概念：
最优化算法，随机从某一状态开始，然后随机生成一个较小的随机数（扰动量），然后得到新的状态。若新状态比原状态好，则直接更新。若新状态比原状态差，则根据随机产生0~1之间的随机数和，状态转移概率（Metropolis准则）抉择是否更新状态。模拟退火算法是一种启发式搜索算法，即按照预定的控制策略进行搜索，在搜索过程中获取的中间信息将用来改进控制策略

简单说就是：
更新x：根据已有的x，再给出随机数值r，然后更新xNew = x + r
求值yNew：根据xNew和函数求出yNew
比较状态：yNew比原来的解更好时候，直接更新（x=xNew）。比原来差时，根据随着逐渐减小的概率p（状态转移概率）与随机数r比较，r<p时，更新，反之则不更新，随着执行次数的增加，也越难更新。
计算温度：t=t+1,T=T(t)，循环，直到满足终止条件。

2.状态空间与领域函数：
状态空间：由编码的可行解的集合组成，说白了就是自变量定义域。
邻域函数：尽可能满足产生的候选解遍布全部的状态空间，通常由产生候选解的方式和候选解产生的概率分布组成，就是由产生的随机数再加上原来的自变量。

3.状态转移概率（Metropolis准则）

特点：P与T增而增，减而减，所以后期的状态转移概率非常小，即很难改变状态

4.冷却进度表
经典模拟退火算法降温方式：

快速模拟退火算法降温方式：

其余貌似不是很常见，暂时写这两个

5.初始温度设置：
模拟退火算法收初始温度的影响较大，对于求高质量解和计算效率都有拮抗影响（大概这个意思）。
确定初始温度的常用方法：
(1)均匀抽样一组状态，以各状态目标值的方差为初温。
(2)随机产生一组状态，确定亮亮状态间的最大目标值差，然后根据差值，利用一定的函数确定初温，如：

其中Pr为初始接受概率。
(3)根据经验公式给出

6.python代码实现：求出最小值

# 模拟退火模型构建
T  = 1000                                   # 温度
T0 = T                                      # 初始温度
Tmin = 1                                    # 最小温度
t = 0                                       # 时间
k = 50                                      # 每个温度的迭代次数
x = np.random.uniform(low=0,high=100)       # 随机化初始值
y = 0                                       # y初始值

def aimFunction(x):
    y = x ** 3 - 60 * x ** 2 - 4 * x + 6
    return y

while T > Tmin:
    for i in range(k):
        y = aimFunction(x)                                  # 目标函数
        xNew = x + np.random.uniform(low=-0.05,high=0.05)   # 更新xNew
        yNew = aimFunction(xNew)							# 求出新状态值
        if xNew < 100 and xNew > 0:							# 状态比较
            if y > yNew:
                x = xNew
            else:
                r = np.random.uniform(low=0,high=1)         # 随机数
                p = math.exp(-(yNew-y)/T)                   # 概率值
                if r < p:                                   # 小于则更新
                    x = xNew
    t = t + 1
    T = T0/(1+t)                                            # 快速模拟退火算法降温方式
    print("t:",t," T:",T)

print(aimFunction(x))

小白，望大佬指点
推荐模拟退火算法