6.1.5几点说明.doc

第6章模拟退火算法及其MATLAB实现 模拟退火算法是所谓三大非经典算法之一，它脱胎于自然界的物理过程，与优化问题相结合。本章介绍了模拟退火算法的基本思想，给出了两个简单的例子，然后简介了改进的模拟火箭程序包ASA的情况。 6.1.1算法概述 工程中许多实际优化问题的目标函数都是非凸的，存在许多局部最优解，特别是随着优化问题规模的增大，局部最优解的数目将会迅速增加。因此，有效地求出一般非凸目标函数的全局最优解至今仍是一个难题。求解全局优化问题的方法可分为两类，一类是确定性方法，另一类是随机性方法。确定性算法适用于求解具有一些特殊特征的问题，而梯度法和一般的随机搜索方法则沿着目标函数下降方向搜索，因此常常陷入局部而非全局最优值。 模拟退火算法（simulated annealing,SA）是一种通用概率算法，用来在一个大的搜寻空间内寻找问题的最优解。早在1953年，Metropolis等就提出了模拟退火的思想，1983年Kirk—patrick等将SA引入组合优化领域，由于其具有能有效解决NP难问题、避免陷入局部最优、对初值没有依赖关系等特点，已经在VLS、生产调度、控制工程、机器学习、神经网络、图像处理等领域获得了广泛的应用。 6.1.2基本思想 现代的模拟退火算法形成于20世纪80年代初，其思想源于固体的退火过程，即将固体加热至足够高的温度，在缓慢冷却；升温时，固体内部粒子随温度升高变为无序状，内能增大，而缓慢冷却是粒子又逐渐趋于有序，从理论上讲，如果冷却过程足够缓慢，那么冷却中任一温度时固体都能达到热平衡，而冷却到低温时将达到这一低温下内能最小状态。 在这一过程中，任一恒定温度都能达到热平衡是个重要步骤，这一点可以用Monte Carlo算法模拟，不过其需要大量采样，工作量很大。但因为物理系统总是趋向于能量最低，而分子热运动则趋向于破坏这种低能量状态，故而只需着重取贡献比较大的状态即可达到比较好的效果，因而1953年Metropolis提出了这样一个重要性采样的方法，即设从当前状态i生成新状态j，若新状态i的能量（即），则接受新状态j作为新的当前状态；否则，以概率接受状态j，其中k为Boltzmann常数，这就是通常所说??Metropolis准则。 1953年，Kirkpatrick把模拟退火思想与组合最优的相似点进行类比，将模拟退火应用到了组合最优化问题中。在把模拟火箭退火算法应用于最优化问题时，一般可以将温度T当作控制参数，目标函数值f视为内能E，而固体在某温度T时的一个状态对应一个解。然后算法试图随着控制参数T的降低，使目标函数值f（内能E）也逐渐降低，直至趋于全局最小值（退火中低温时的最低能量状态），就像固体退火过程一样。 6.1.3其他一些参数说明 退火过程出一组初始参数，即冷却进度表（cooling schedule）控制，它的核心是尽量使系统达到平衡，以使算法在有限的时间内逼近最优解。冷却进度表包括： ⑴控制参数的初值：冷却开始的温度。 ⑵控制参数T的衰减函数：因计算机能够处理的都是离散数据，因此需要把连续的降温过程离散化成降温过程中的一系列温度点，衰减函数即计算机这一系列温度的表达式。 ⑶控制参数T的终值（停止准则）。 ⑷Markov链的长度：任一温度T的迭代次数。 6.1.4算法基本步骤 ⑴令，即开始退火的初始值，随机生成一个初始解，并计算相应的目标函数值。 ⑵令T等于冷却进度表中的一个值。 ⑶根据当前解进行扰动（扰动方式可以参考后面的实例），产生一个新解，计算相应的目标函数，得到。 若0(新比旧好)，则新解被接受，作为新的当前解；若0，则新解按概率接受为当前温度。 （5）在温度下，重复次的扰动和接受过程，即执行步骤（3）与（4）。 （6）判断T是否达（终止温度）是，则终止算法；否，则转到步骤（2）继续执行。 算法是指分两层循环，在任意温度随即扰动产生新解，并计算目标函数变化，决定是否被接受。由于算法初始温度比较高，这样，使E增大的新解在初始时也可能被接受，因而能跳出局部最小值，然后通过缓慢地降低温度，算法就最终可能收敛到局部最优解。还有一点要说明得的是，虽然在降低温度时接受函数已经非常小了，但仍不排除又接受更差解的可能，因此一般都会把退火过程中碰到的最好的可行解（历史最优解也记录下来，与终止算法前最后一个被接受解一并输出）。 6.1.5几点说明 为了更好地实现模拟退火算法，在个人的经验之外，还需要注意以下一些方面。 状态表示 上文已经提到过，SA算法中优化问题的一个解模拟了（或说可以想象为）退火过程中固体内部的一种粒子分布情况。这里状态表达即指实际问题的解（及状态）如何以一种合适的数学形式表达出来，它应当适用于ＳＡ的求解，又能充分表达了实际问题，这需要仔细地设计。可以参考遗传算法和禁忌搜索中编码的相关