模拟退火(随机模拟的实际应用1).ppt

模拟退火(Simulated Annealing)Metropolis算法、TSP问题 模拟退火算法 模拟退火算法来源于固体退火原理，将固体加温至充分高，再让其徐徐冷却，加温时，固体内部粒子随温升变为无序状，内能增大，而徐徐冷却时粒子渐趋有序， 在每个温度都达到平衡态，最后在常温时达到基态，内能减为最小。 根据Metropolis准则，粒子在温度T时趋于平衡的概率为e-ΔE/(kT)，其中E为温度T时的内能，ΔE为其改变量，k为Boltzmann常数。 模拟退火算法 用固体退火模拟组合优化问题：将内能E模拟为目标函数值f，温度T演化成控制参数t， 即得到解组合优化问题的模拟退火算法： 由初始解i和控制参数初值t开始，对当前解重复“产生新解→计算目标函数差→接受或舍弃”的迭代，并逐步衰减t值， 算法终止时的当前解即为所得近似最优解。 这是基于蒙特卡罗迭代求解法的一种启发式随机搜索过程。退火过程由冷却进度表(Cooling Schedule)控制，包括控制参数的初值t及其衰减因子Δt、每个t值时的迭代次数L和停止条件S。 模拟退火算法具体步骤 1.初始化：初始温度T(充分大)，初始解状态S(是算法迭代的起点)， 每个T值的迭代次数L 2.对k=1，……，L做第(3)至第6步： 3.产生新解S′ 4.计算增量ΔE’=C(S’)-C(S)，其中C(S)为评价函数 5.若ΔE’0则接受S’作为新的当前解，否则以概率exp(-ΔE’/T)接受S’作为新的当前解. 6.如果满足终止条件则输出当前解作为最优解，结束程序。(终止条件通常取为连续若干个新解都没有被接受时终止算法。) 7.T逐渐减少，且T-0，然后转第2步。 模拟退火算法基本思想 模拟退火算法基本思想 模拟退火算法与初始值无关，算法求得的解与初始解状态S(是算法迭代的起点)无关； 模拟退火算法具有渐近收敛性，已在理论上被证明是一种以概率l 收敛于全局最优解的全局优化算法； 模拟退火算法用于求函数最小值 目标函数： z=x^2+y^2-0.3*cos(3*pi*x)-0.4*cos(4*pi*y)+0.7; 求函数最小值 核心代码 while TcurTfinal % Start of Simulated Annealing Loop % Select New Solution (x_1, x_2) x_1=-1 + 2*rand; x_2=-1 + 2*rand; % Evaluate New Objective Function Value z_1=x_1^2+x_2^2 - 0.3*cos(3.*pi*x_1)- 0.4*cos(4*pi*x_2)+0.7; 求函数最小值 % Acceptance Probability g=exp(-((z_1-z(i))/Tcur)); if ((z_1 z(i))| (rand g)) x1=x_1; x2=x_2; z(i+1)=z_1; else z(i+1) = z(i); end Tcur=Tcur*l; % New Simulated Temperature end % End of Loop See MySa.m 模拟退火算法的又一个应用 讨论货郎担问题(Travelling Salesman Problem，简记为TSP)： 设有n个城市，用数码1,…,n代表。城市i和城市j之间的距离为d(i，j) i, j=1,…,n． TSP问题是要找遍访每个域市恰好一次的一条回路，且其路径总长度为最短。　　 TSP问题 求解TSP的模拟退火算法模型可描述如下： 解空间S是遍访每个城市恰好一次的所有回路，是{1，……，n}的所有循环排列的集合，S中的成员记为(w1,w2 ,……，wn)，并记wn+1= w1。初始解可选为(1，……，n） 目标函数：为访问所有城市的路径总长度 又称为代价函数 目标：求此目标函数或代价函数的最小值。 TSP问题 新解的产生 随机产生1和n之间的两相异数k和m， 若km，则将(w1, w2 ,…，wk , wk+1 ,…，wm ,…，wn)变为：(w1, w2 ,…，wm , wm-1 ,…，wk+1 , wk ,…，wn). 如果是km，则将(w1, w2 ,…，wm , wm+1 ,…，wk ,…，wn)变为：(wm, wm-1 ,…，w1 , wm+1 ,…，wk-1 ,wn , wn-1 ,…，wk). 上述变换方法可简单说成是“逆转中间或者逆转两端”。 也可以采用其他的变换方法。 代价函数差：变换后路径总长度差 根据上述分析，可写出用模拟退火算法求解TSP问题的