模拟退火算法1详解.pptVIP

2.7 R=randn/10 与 rand/1 的3维效果图 2.8 R=randn*10 与 rand*40 的3维效果图 2.9 R=randn/100,randn/10,randn/1 的数据比较 最终解平均值 最终解标准差sd 总计迭代次数平均值 总迭代次数标准差sd Randn/100 0.0048 1.2351 6731.6 627.6 Randn/10 -0.6502 0.5410 10705 1082.7 Randn/1 -1.0315 0.0001 11412 1515.3 Randn*10 -1.0231 0.0122 11331.7 1707.3 Randn*40 -0.9689 0.1001 11703.2 1422.2 可见,随着邻域的范围的增大, 跳出局部极小区域,最终进入全局极小区域的概率越来越大, 但是代价是总的迭代次数增加. 但是随着邻域范围的增大,会出现所谓的在极值附近来回”振荡”而无法落入极值点的现象. 可以推测,随着邻域范围的进一步增大及其随机特性,模拟退火算法将退化到随机寻找极值并进行记录极值的算法. 注: 当 randn*10, rand*40的时候超出我们限定的搜索范围[-3,3],[-2,2]的概率增大很多,与前3个试验在某种程度上不具备可比性, 尽管如此,仍然具有启发性的意义. 2.10 更改降温速率后的运行结果(改为0.95) Mean_fvale Std_fvalue total Std_total Randn/100 0.0922 1.2630 24843 2378.2 Randn/10 -0.8224 0.3579 39835 2431.3 Randn/1 -1.0314 0.000272 40637 3986.5 可见,随着邻域的范围的增大, 效果与前一个试验类似,区别在于 由于速率放缓, 经历了更多的迭代次数才达到最终解. 而且从中间的图可以看出，进入全局极值的点的初始位置分布较散,这是因为随着迭代次数的增多,以及邻域结构的随机向外伸展性质,由初始位置导致陷入临近局部极值的可能性降低,进入全局极值区域的可能性增大. 2.11 其他参数尝试 起始温度(提高到1000) 每个温度时的最大迭代次数(提高到3000) 限于时间,更多参数和变化形式没有进行尝试. 得到的试验结论与前面基本相同,只是在初始解的临近位置周围略有微小的变化. 所以, 在一个合适的参数设置情况下,对寻找最优解起主要作用的重要因素有2个: 初始解的起始位置 邻域解的构造结构 2.12 与Native Brute Force Search比较 Mean_fvalue Mean_total_iteration Randn/100 0.0048 6731.6 Randn/10 -0.6502 10705 Rand/1 -1.0315 11412 x1,x2以 s的步长在[-3,3],[-2,2]的区间内进行 Brute Force Search, 判断搜索过程中的最小值并记录下来. 在解的搜索空间范围较小时,暴力搜索的优势非常明显,只需很少的迭代次数就能达到与模拟退火相当的程度,但是随着解空间以几何倍数增大,需要的迭代次数也迅速增大.( 本试验中达到同样的精度是模拟退火的21倍.) Fvalue Total_iteration S=1 0 35 S=0.5 -0.75 117 S=0.01 -1.0315 241001 降温速率0.8时模拟退火试验结果 暴力搜索的试验结果 3. 2-d Schwefel‘s function 试验对比 3.1 初始解位置(step=40)与最终解值分布图 观察到了在 Six hump camle function 中同样的试验效果. 区别在于由于解空间的较多个极值区域的存在,迭代次数变化不像只有6个极值区域时为达到全局极值而明显地增加了总的迭代次数. 注1: 由于定义域范围增大,解空间增大,所以将邻域范围设大,从/1到*100. 注2: 由于邻域范围放大之后,处于自定义域边界的初始解生成的第一次邻域解以95%的概率落在[-700,700]范围之内, 也就得到[500,500]之外函数极值,所以第3个图中的最小值明显比第1,2个图中的函数值要小,这说明在原定义域外存在更小的极值点 注3: 因为画图的原因,3个图的纵轴的坐标是不一致的, 数值依次降低.也就是跳出了原来的局部极小区域. Randn/1, T=0.8T Randn*40 , T=0.8T Ran