模拟退火方法04选编.ppt

二、模拟退火（Simulated Annealing ）方法; （一）、组合优化 组合优化（multivariate or combinatorial optimization）复盖计算机和工程学科的一些核心课题。该领域的研究在于发展高效率地寻找具有若干独立变量的多元函数极值的技巧。旅行推销员这一经典优化问题（寻找旅行推销员依次不重复地访问N个城市的最短循环路线）; 在例如为使包容在微型硅片上数十万计电路元件之间干拢达到极小的最优排布复杂设计问题。;组合优化就是寻求多元函数的极大或极小值，此函数称作评估函数或目标函数（cost function or objective function）。函数的形式取决于所研究的问题，它所依赖的独立变量与系统的自由度相对应；函数值涉及系统组态的细节，构成复杂系统某种意义下“质量因数”的定量描述。为达到优化的目的，要进行大量的数字运算。例如对旅行推销员这类通称的 NP完全问题（non-deterministic Polynomial time complete Problems），实践显示，获得精确解的计算工作量与参量数目 N是指数关系。正因为如此，严格求解的努力只达到涉及N较小的规模。;试探法（heuristic methods）已被用于解决 NP完全问题，其计算工作量为 N的较小幂次的规模。 试探法有以下两种基本方略： （1）分区攻克（divide－and－conquer）：把待研究的问题分割成尺度较小而可以处理的子问题，在解决了子问题之后，再把它们组装复原。这类方略适合于对子问题已有强有力的解决手段，而子问题之间原本关联松散，把它们装配起来对问题的总体解决不会引入很大误差的情况。 （2）迭代改善（iterative improvement）:;（2）迭代改善（iterative improvement）: 以系统的某一已知组态作为起始，用一种固定规则的局域重排操作对起始组态进行试探：如果经这一局域重排形成新组态的评估函数值相对原组态发生的是不利变化，则放弃这一重排企图。这种试探一次次地在起始组态各个部位进行，直到经判断发现某一次试探将使新组态的评估函数值相对原组态发生有利变化为止。起始组态接受这一有利的局域重排后形成一个新的组态，用它对系统作描述在“质量因素”上有所改善。这个新组态又作为起始，对其进行下一轮局域重排试探搜索。以求取得下一步改善。这种既定的选代手续一轮轮继续下去，直到不能再有进一步改善为止。 ;E;;使用一个算法来解某一问题时，如果计算机所需要的运行时间的增长速度不高于确定该问题初始数据所需要的符号数目的某一固定次幂，则这个问题就属于P类。如果一个问题不可能用这种方式求解，那它就属于非P类。P类问题可以用计算机高效求解，而非P类问题则没有实际可行的解法，因为不管用什么算法来解这类问题，得出解答所需要的时间都会长得无法忍受。对于一个问题，你只要找到一个算法能在多项式时间内解决它，那这问题就属于P类。例如，把一组数字按由小到大或由大到小的次序排列是一个P类问题，因此，商业数据库程序可以高效地解决非常多的一批数字的排序问题。;相反，旅行推销员问题——找出推销员走遍其推销路线所有城市的最短路径——则已被公认为非P问题。不过这一点尚未被证明。找出某一整数的素因子也被认为是一个非P问题，但这一点也还没有得到证明。 为何证明某一问题属非P类如此之难？这是因为你不能通过分析某一特定的算法来证明它。你必须考虑所有可能的算法，并证明没有一个算法能够在多项式时间内解决这个问题。这是一件令人非常伤脑筋的任务。已经得到的最好结果就是证明了一大类可能的非P问题全都属于同一级别：如果其中任何一个问题能在多项式时间内解决，那么其余所有问题也都能在多项式时间内解决。;我们说这类问题具有非确定性的多项式运行时间，因而把它称为NP类(non-deterministic Polynomial time complete Problems) 。 NP类与非P类不是一回事。对于一个问题，如果你能够在多项式时间内核查某一推荐的解答是否正确，那么这个问题就属于NP类。这个要求比在多项式时间内真正找到答案的要求宽松得多（至少是似乎宽松得多）。 解决NP问题可能非常困难，但如果某人声称已经解决了它，那么通常只需要几秒钟的时间就能核查他的答案是否正确。;结果证明，许多NP问题的运行时间是等价的。具体地说就是，对于某个NP问题，如果它存在一种多项式时间解法，就意味着所有NP问题都有多项式时间解法，我们就说这个问题是NP完备的。因而，如果你能够在多项式时间内解决一个NP完备问题，你也就在多项式时间内解决所有NP问题。 P／NP问题探讨的就是P类与NP类问题是否相同，尽管所有迹象都表明情况正好相反。这个问题预