聊一聊模拟退火算法

最近在做华为的一个比赛，用到了退火算法来实现设备的最大资源利用率的分配问题，先来说下具体问题吧，这个问题是个典型的装箱问题，比如你有5个设备种类，每个种类需要占用一定量的资源1和一定量的资源2，现在你有很多箱子，每个箱子可以容纳一定的资源1和资源2，现在要保证用最少的箱子装配所有的设备，你要如何分配？

这就是一个典型的装箱问题，解决思路有很多，典型的贪心算法或者动态规划都可以对其求解，但是贪心算法不能保证是最优解，动态规划倒是可以高效的解决这个问题，刚好最近接触了退火算法，退火也是可以解决这个问题的，下面就先来简单的介绍一下退火算法：

先说下退火算法的由来，在热力学上，退火（annealing）现象指物体逐渐降温的物理现象，温度愈低，物体的能量状态会低；够低后，液体开始冷凝与结晶，在结晶状态时，系统的能量状态最低。大自然在缓慢降温（亦即，退火）时，可“找到”最低能量状态：结晶。但是，如果过程过急过快，快速降温（亦称「淬炼」，quenching）时，会导致不是最低能态的非晶形。

从退火的由来就可以看出，退火方法就是尽可能的去寻找全局最优解的，退火方法试用用哪些场景呢？先来思考下面这个问题，对于下面这条曲线，要怎么去寻找它的全局最小值呢？

                                                

你可能觉得，这很简单嘛，遍历这个线上的所有点，然后取最小值就行了嘛，但是考虑这种情况，这条线非常非常长，就只有几个比较靠近的波谷位置，就像下图这样

再去遍历这条曲线就显得很浪费了，怎么去优化这个算法呢？最直观的感受就是可以先尝试下贪心算法，当一个点的前面一个点和后面一个点都比这个点的值大时，这个点肯定是这附近的最小值了嘛，但是这也出现了很明显的问题，最小值的点可能不是全局最优解，怎么办呢？这个时候，就引入了退火算法，退火算法本质上就是一个贪心算法，它在贪心算法的基础上针对刚才我们遇到的问题做了改进，来看看是怎么改进的呢？

传统贪心算法中，当我们找到了局部最低点的时候，我们就不动了，但在退火中，无论这个点是不是满足局部最低点的特性，我们还是会往后走，如果后面这个点比前一个点小，我们就接受这个点为最低值，如果这个点比前一个点大，我们依然以一定的概率接受这个最低点作为最小值，这就是这个算法的精髓所在了。

我们记变化后的值为V_new,变化前的值为V_old;

那么接受V_new为新的最小值的概率p表达式为

if(V_new < V_old)

        p = 1;

if(V_new > V_old)

        p = exp((V_old - V_new)/T);（公式为）

公式中的T就是退火过程中的温度，实际上呢就是一个你自己设定的迭代系统，正常的退火步骤会设定一个初值T，一个温度下降率alpha（0 <alpha<1），每一次迭代，T都会更新值：T = T * alpha.

分析下这个过程，开始时T很大，exp((V_old - V_new)/T)值会趋近与1，大概率向后移动，随着不停的迭代,T会越来越小，导致exp((V_old - V_new)/T)越来越趋近于0，值得波动概率越来越小，最后达到最优解。可以看出，退火算法也是不是100%给出最优解，但它能在确定的时间（迭代次数确定）大概率得到最优解。

再来看看退火怎么解决装箱的这个问题，在这个问题上，我们开始先随机打乱设备的顺序，然后将其用贪心的方式放入箱子，然后每次迭代稍微做一点设备的顺序改变，然后根据每个箱子资源1和资源2的使用率来决定是否接受这个方案或者是以概率接受这个方案。

发一个伪代码（实际代码由于有很多其他东西在里面，不太好看懂）

double T = 500;
double alpha = 0.99；
double T_min = 1;
while(T > T_min) 

{
    随机交换设备的顺序();
    贪心放入箱子();
    计算最后一个箱子的资源利用率();
    if(新的分配方案资源利用率 > 旧的分配方案资源利用率)
    {
            旧的分配方案资源利用率 = 新的分配方案资源利用率
            旧的分配方案 = 新的分配方案
    }
    else
    {
        if(exp(旧的分配方案资源利用率 - 新的分配方案资源利用率) / T) > rand()%RAND_MAX)
        {
            旧的分配方案资源利用率 = 新的分配方案资源利用率;
            旧的分配方案 = 新的分配方案
        }
    }
    T = T * alpha;
}