模拟退火算法

最新推荐文章于 2024-10-07 09:58:35 发布

朱笨笨

最新推荐文章于 2024-10-07 09:58:35 发布

阅读量681

点赞数 21

文章标签：模拟退火算法算法机器学习

本文链接：https://blog.csdn.net/weixin_73161549/article/details/140740056

版权

1.学习目标：

学会模拟退火算法的运用及其原理知识

2.学习内容：

模拟退火算法（Simulated Annealing, SA）是一种概率型启发式搜索算法，它受到金属退火过程的启发。在金属退火过程中，金属被加热到一定温度后缓慢冷却，以减少其内部的缺陷和不均匀性，从而提高金属的强度和韧性。模拟退火算法将这一物理过程抽象化，用于解决优化问题。

算法的基本思想是，通过模拟加热和冷却过程，允许系统在一定概率下接受较差的解，以避免局部最优解，从而有更大机会找到全局最优解。以下是模拟退火算法的主要步骤：

初始化：选择一个初始解，并设定一个初始温度（T0）。
迭代过程：在每次迭代中，算法会随机扰动当前解，产生一个新的解。
计算能量差：比较新解和当前解的“能量”（或称为代价、目标函数值）差异。如果新解更优，则接受新解作为当前解。
接受准则：如果新解不是更优的，算法会以一定的概率接受这个解，这个概率通常由当前温度和能量差决定。这个概率随着温度的降低而减小。
降温：根据预定的降温方案降低温度。
终止条件：当温度降低到某个阈值或达到预定的迭代次数时，算法终止。

模拟退火算法的关键参数包括初始温度、冷却速度、终止温度等。这些参数的选择对算法的性能有很大影响。模拟退火算法适用于解决复杂的优化问题，尤其是在问题的搜索空间很大且可能存在多个局部最优解时。

3.建立一个TSP问题的模拟退火算法

TSP（旅行商问题）是一个经典的组合优化问题，模拟退火算法是解决这类问题的一种有效方法。以下是TSP问题中模拟退火算法的基本过程：

初始化：
- 随机生成一个初始路径或使用特定的启发式算法生成一个初始路径。
- 设定初始温度 TT，通常选择一个相对较高的值。
- 设定终止温度 TminTmin，当温度降至这个值时，算法停止。
计算初始解的成本：
- 计算当前路径的总长度，这将是算法开始时的成本。
迭代过程：
- 对于每一温度 TT，执行以下步骤直到 TT 降至 TminTmin：
  - 扰动当前解：通过交换路径中的两个城市的位置或反转路径中的一段，生成一个“邻近”的新解。
  - 计算新解的成本：计算新生成路径的总长度。
接受准则：
- 如果新解的成本 CnewCnew 小于当前解的成本 CcurrentCcurrent，则接受新解。
- 如果 CnewCnew 大于 CcurrentCcurrent，以概率 exp⁡(−Cnew−CcurrentT)exp(−TCnew−Ccurrent) 接受新解。这个概率随着 TT 的降低而减少，意味着在较低温度下，较差的解被接受的可能性降低。
更新温度：
- 根据冷却计划降低温度，常用的冷却计划包括几何级数降温（Tnew=αTTnew=αT，其中 αα 是小于1的常数）。
记录最佳解：
- 在每次迭代中，如果新解的成本比当前记录的最佳解更低，更新最佳解。
终止条件：
- 当温度降至 TminTmin 或达到预设的迭代次数时，算法终止。
输出结果：
- 算法结束时，输出找到的最佳路径和对应的成本。

代码如下：

% 城市数量
numCities = 10;

% 随机生成城市坐标
cities = rand(numCities, 2);

% 打印城市坐标
disp('城市坐标：');
disp(cities);
% 辅助函数：计算路径长度




% 调用模拟退火算法
maxTemp = 10000; % 初始温度
minTemp = 1; % 最低温度
coolingRate = 0.95; % 冷却率
[bestRoute, bestCost] = simulatedAnnealingTSP(cities, numCities, maxTemp, minTemp, coolingRate);

% 打印最佳路径和成本
disp('最佳路径：');
disp(bestRoute);
disp(['最佳成本：', num2str(bestCost)]);


function cost = tourLength(cities, route)
    numCities = size(cities, 1);
    cost = 0;
    for i = 1:numCities-1
        cost = cost + norm(cities(route(i),:) - cities(route(i+1),:));
    end
    cost = cost + norm(cities(route(end),:) - cities(route(1),:)); % 回到起点
end
% 辅助函数：扰动当前解
function newRoute = raodong(route, numCities)
    i = randi(numCities);
    j = randi(numCities);
    newRoute = route;
    newRoute([i, j]) = newRoute([j, i]); % 交换两个城市
end

function [bestRoute, bestCost] = simulatedAnnealingTSP(cities, numCities, maxTemp, minTemp, coolingRate)
    % 初始化
    currentRoute = randperm(numCities);
    currentCost = tourLength(cities, currentRoute);
    bestRoute = currentRoute;
    bestCost = currentCost;
    temperature = maxTemp;
    
    while temperature > minTemp
        % 随机扰动
        newRoute =raodong(currentRoute, numCities);
        newCost = tourLength(cities, newRoute);
        
        % 退火接受准则
        if newCost < currentCost
            currentRoute = newRoute;
            currentCost = newCost;
            if newCost < bestCost
                bestRoute = newRoute;
                bestCost = newCost;
            end
        else
            % 计算接受概率
            deltaE = newCost - currentCost;
            if exp(-deltaE / temperature) > rand()
                currentRoute = newRoute;
                currentCost = newCost;
            end
        end
        
        % 降温
        temperature = temperature*coolingRate;
    end
end