是修改了一位博主的代码,不保证完全正确,这位博主博客链接:模拟退火算法详细讲解(含实例python代码)_模拟退火算法实例分析_Eterbity的博客-CSDN博客
import math
import random
import matplotlib.pyplot as plt
class SA:
def __init__(self, iter=100, T0=100, Tf=0.01, alpha=0.99):
self.iter = iter # 内循环迭代次数,即为L =100
self.alpha = alpha # 降温系数,alpha=0.99
self.T0 = T0 # 初始温度T0为100
self.Tf = Tf # 温度终值Tf为0.01
self.T = T0 # 当前温度
self.x = [random.uniform(-5,5) for i in range(iter)] # 随机生成100个x的值
self.y = [random.uniform(-5,5) for i in range(iter)] # 随机生成100个y的值
self.most_best = []
self.history = {"v":[],'f': [], 'T': []}
self.count=0#外层循环次数
def func(self,x, y): # 函数优化问题
res = 4 * x ** 2 - 2.1 * x ** 4 + x ** 6 / 3 + x * y - 4 * y ** 2 + 4 * y ** 4
return res
def generate_new(self, x, y): # 扰动产生新解的过程。
while True:
x_new = x + self.T * (random.random() - random.random())
y_new = y + self.T * (random.random() - random.random())
if (-5 <= x_new <= 5) & (-5 <= y_new <= 5):
break # 重复得到新解,直到产生的新解满足约束条件
return x_new, y_new
def Metrospolis(self, f, f_new): # Metropolis准则
if f_new <= f:
return 1
else:
p = math.exp((f - f_new) / self.T)# self.T当前温度
if random.random() < p:
return 1
else:
return 0
def best(self): # 获取最优目标函数值
f_list = [] # 100
var=[]
for i in range(self.iter):
f = self.func(self.x[i], self.y[i])
f_list.append(f)
f_best = min(f_list)
idx = f_list.index(f_best)#最优解的索引
var.append(self.x[idx])#最优解
var.append(self.y[idx])
return f_best, var
def run(self):
# 外循环迭代,当前温度小于终止温度的阈值
while self.T > self.Tf:
# 内循环对100个解进行
for i in range(self.iter):
f = self.func(self.x[i], self.y[i]) # 原始值
x_new, y_new = self.generate_new(self.x[i], self.y[i]) # 产生新解
f_new = self.func(x_new, y_new) # 新值
if self.Metrospolis(f, f_new): # 判断是否接受新值
self.x[i] = x_new # 如果接受新值,则把新值的x,y存入x数组和y数组(替换)
self.y[i] = y_new
# 迭代L次记录在该温度下最优解
ft, var = self.best()
self.history["v"].append(var)
self.history['f'].append(ft)#917
self.history['T'].append(self.T)
# 温度按照一定的比例下降(冷却)
self.T = self.T * self.alpha
self.count += 1
# 得到最优解
# todo 最优的一代,一定在最后一代吗 经过如下两个解的对比,不是一定在最后一代
f_best, var = self.best()
print(f"在最后一代找最优解 F={f_best}, x={var[0]}, y={var[1]}")
f_best1=min(self.history["f"])
temp=self.history["f"].index(f_best1)
var_best1=self.history["v"][temp]
print(f"在每一代(每个温度下)的最优值中找最优解 F={f_best1},x={var_best1[0]},y={var_best1[1]},该最优解首次出现在第{temp+1}代中")
sa = SA()#传入的一个函数
sa.run()
plt.plot([i for i in range(sa.count)], sa.history['f'])
plt.title('SA')
plt.xlabel('T')
plt.ylabel('f')
# plt.gca().invert_xaxis()#将绘图的 x 轴反转
plt.show()