模拟退火算法要点分析.pptx

模拟退火算法 姓名：盛媛媛 班级：研控计1322 学号：1132227140 指导老师：黄从智 爬山算法 介绍模拟退火前，先介绍爬山算法。爬山算法是一种简单的贪心搜索算法，该算法每次从当前解的临近解空间中选择一个最优解作为当前解，直到达到一个局部最优解。 假设C点为当前解，爬山算法搜索到A点这个局部最优解就会停止搜索，因为在A点无论向那个方向小幅度移动都不能得到更优的解 爬山算法实现很简单，其主要缺点是会陷入局部最优解，而不一定能搜索到全局最优解。 爬山算法 爬山法是完完全全的贪心法，每次都鼠目寸光的选择一个当前最优解，因此只能搜索到局部的最优值。模拟退火其实也是一种贪心算法，但是它的搜索过程引入了随机因素。模拟退火算法以一定的概率来接受一个比当前解要差的解，因此有可能会跳出这个局部的最优解，达到全局的最优解。 什么是模拟退火算法呢？ 简介 模拟退火算法（Simulate Anneal Arithmetic，SAA）最早的思想是由N. Metropolis等人于1953年提出。1983 年,S. Kirkpatrick 等成功地将退火思想引入到组合优化领域。它是基于Monte-Carlo（蒙特卡罗）迭代求解策略的一种随机寻优算法，其出发点是基于物理中固体物质的退火过程与一般组合优化问题之间的相似性。 模拟退火算法从某一较高初温出发，伴随温度参数的不断下降,结合概率突跳特性在解空间中随机寻找目标函数的全局最优解，即在局部最优解能概率性地跳出并最终趋于全局最优。 模拟退火算法是一种通用的优化算法，理论上算法具有概率的全局优化性能,目前已在工程中得到了广泛应用，诸如生产调度、控制工程、机器学习、神经网络、信号处理等领域。 物理退火 模拟退火来自冶金学的专有名词退火。 什么是退火呢？ 退火是将材料加热后再经特定速率冷却，目的是增大晶粒的体积，并且减少晶格中的缺陷。材料中的原子原来会停留在使内能有局部最小值的位置，加热使能量变大，原子会离开原来位置，而随机在其他位置中移动。退火冷却时速度较慢，使得原子有较多可能可以找到内能比原先更低的位置。 物理退火 物理退火过程： 加温过程----增强粒子的热运动，消除系统原先可能存在的非均匀态； 等温过程----对于与环境换热而温度不变的封闭系统，系统状态的自发变化总是朝自由能减少的方向进行，当自由能达到最小时，系统达到平衡。 冷却过程----是例子热运动减弱并渐趋于有序，系统能量逐渐下降，从而得到低能的晶体结构。 原理 　　模拟退火的原理也和金属退火的原理近似：将热力学的理论套用到统计学上，将搜寻空间内每一点想像成空气内的分子；分子的能量，就是它本身的动能；而搜寻空间内的每一点，也像空气分子一样带有“能量”，以表示该点对命题的合适程度。演算法先以搜寻空间内一个任意点作起始：每一步先选择一个“邻居”，然后再计算从现有位置到达“邻居”的概率。 定义：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。 模拟退火算法思想 模拟退火算法描述：          若J( Y(i+1) )= J( Y(i) )  (即移动后得到更优解)，则总是接受该移动          若J( Y(i+1) ) J( Y(i) )  (即移动后的解比当前解要差)，则以一定的概率接受移动，而且这个概率随着时间推移逐渐降低（逐渐降低才能趋向稳定） 　　这里的“一定的概率”的计算参考了金属冶炼的退火过程，这也是模拟退火算法名称的由来。 　　根据热力学的原理，在温度为T时，出现能量差为ΔE的降温的概率为P(ΔE)，表示为： 　　　　P(ΔE) = exp(ΔE/(kT) ) 　　其中k是一个常数，exp表示自然指数，且ΔE0。这条公式说白了就是：温度越高，出现一次能量差为ΔE的降温的概率就越大；温度越低，则出现降温的概率就越小。又由于ΔE总是小于0（否则就不叫退火了），因此ΔE/kT 0 ，所以P(ΔE)的函数取值范围是(0,1) 。 　　随着温度T的降低，P(ΔE)会逐渐降低。 　　我们将一次向较差解的移动看做一次温度跳变过程，我们以概率P(ΔE)来接受这样的移动。 爬山算法 仍以上图为例，模拟退火算法在搜索到局部最优解A后，会以一定的概率接受到E的移动。也许经过几次这样的不是局部最优的移动后会到达D点，于是就跳出了局部最大值A。 关于爬山算法与模拟退火，有一个有趣的比喻： 　　爬山算法：兔子朝着比现在高的地方跳去。它找到了不远处的最高山峰。但是这座山不一定是珠穆朗玛峰。这就是爬山算法，它不能保证局部最优值就是全局最优值。 　　模拟退火：兔子喝醉了。它随机地跳了很长时间。这期间，它可能走向高处