本文为 BJUT 2021 Fall Introduction to AI 的读书笔记;
课程教材为:Artificial Intelligence: A Modern Approach;
Cover: Photo by Ant Rozetsky on Unsplash
Simulated Annealing
模拟退火
#school_notes #algorithm/search
Simulated Annealing
Introduction
- note: In Hill Climbing, we were taking the ascending problems as examples but in this topic we will think about gradient descent problems.
Hill Climbing (original) 存在的最大问题就是不能 handle trapped in local minima/ridge/plateau 的问题。使用 Hill Climbing 算法就像是在平滑的地形曲线上,使小球没有初速读的滚动。这样一来,小球很有可能停止在局部最值位置。
而 Simulated Annealing 更像是在小球滚动的同时发生了激烈的地震(摇晃曲线), 小球是在地形上跳跃的,有一定的几率 bounce out of local minima。但同时,我们也需要注意,不能一直施加非常大的震荡力量,否则很可能使小球 dislodged (被震出) from the global optimum.
Simulated Annealing 是模仿在金属、玻璃回火/硬化(harden)时的一种手段,即先加热材料至高温,随后再将其缓慢降温。在算法中的体现即为,在温度很高的时候(开始时间很短的时候)有很大的几率选择非下降方向的 state 作为 next state,而这个几率会随着温度的降低(开始时间的延长)而降低。
See Also
[[Informed Search and Local Search]]