(一)模拟退火简介:
我们先来考虑生活中的一个实际问题:
当你在烧一壶水,烧开以后想使其分别达到两种状态:①使水的温度迅速降低;②使水的能量最低;
对于第①种情况,显然我们直接将水迅速降温即可,但是对于这种迅速的降温确不能保证②。要使水的能量最低,我们需要对水进行徐徐地进行降温,使水在每个温度的能量都趋于稳定,才能使最终水的能量达到最低状态。(具体原因感兴趣的可以自行查阅)
而这里的“模拟退火”也是从这里引申过来的:
对于某些我们不能一步确定最优解的问题,我们可以模拟这种徐徐退火的方法慢慢地去逼近一个最优解。
举个最简单地栗子,比如我们需要求多个点的费马点(到所有点的距离之和最小的点),这个问题并没有上面确定性的算法(据我所知)。我们利用模拟退火可以得到如下的计算过程:
我们取某一点A(任取),假设得到的距离和为s1,做一个位移到B(得到的解为s2),,对于这次移动,如果移动后的解比原来的更优(s2<s1),那么我们继续从移动后的位置继续位移,寻找最优解。但是移动后找到的不是最优解呢(s1<s2)?如果直接舍弃的话,显然就有可能将正解给舍弃了,最终得到的只是局部最优。
这里我们有一个神奇的概率p=exp((s1-s2)/T)(Metropoils算法),我们以概率接受这个“更劣”的解(为了找到可能的全局最优解)。
这样的一种求解的方式就基本上是模拟退火的雏形了。
(二)算法步骤:
取一个起点A(得到初值s1),初始温度T(需要可以取到最优解),每次退火的比例(小于1且接近1的值delta)
while(T>eps){
A随机变化坐标得到B,变化幅度为 T 。
计算由B得到的解s2,得到两次解的差值D=s2-s1。
如果D<0(更优),就用B替换A(A=B)。
否则以 exp(-D/ T) 的概率用B替换A。
T=T*delta(即降温)
}
(三)性能分析:
模拟退火算法的正确性受到多个方面的影响,比如初始温度T,退火的速度(delta)等等。由于其中的一种随机的取“劣”的机制,求解过程就可能将最优解舍弃了,最终得到的解可能不是最优解。
但是对于实际的IO应用中,只要写得基本上标准的话一般还是不会有太大的问题(出题人良心的话2333)。并且做了几个题之后我发现我们并不用取那个更“劣”的解,也能得到最优解(这也是我为什么看别人代码的时候发现许多人都没有判断概率)。但是这可能仅限于我们的IO应用中,对于实际的工程项目中,这个判断还是必不可少的。
当我们WA了的时候通常可以尝试将退火速度减慢(增大delta)。
反之当我们TLE了的时候,我们可以加快退火的速度(减小delta)。
然而<比较大的delta>并不能保证比<比较小的delta>得到的解更优(?)。
就是感觉很玄学的算法。
(四)简单应用:
1、POJ-2420-A Star not a Tree?(求费马点):
2、洛谷-P1337 [JSOI2004]平衡点 / 吊打XXX(类似于求费马点):
3、Gym-101158J-Cover the Polygon with Your Disk(模拟退火+圆与多边形的交):
(五)总结:
一直都不会写这些总结性的东西,这篇写得也可以说是很乱了,以后可能再改改吧。
写出来主要是对自己知识点掌握程度的自检(顺便刷一波访问量~(笑))。