模拟退火（SA）算法2013.pptVIP

模拟退火算法 Simulated Annealing Algorithm 缓慢降温（退火，annealing）时，可达到最低能量状态，较为柔韧；但如果快速降温（淬火，quenching），会导致不是最低能态的非晶形，较硬易断。 大自然知道慢工出细活： 缓缓降温，使得物体分子在每一温度时，能够有足够时间找到安顿位置，则逐渐地，到最后可得到最低能态，系统最稳定。 从某一初始温度开始，伴随温度的不断下降，结合概率突跳特性在解空间中随机寻找全局最优解 2模拟退火算法的原理 根据Metropolis准则，粒子在温度T时趋于平衡的概率为exp(-ΔE/(kT))，其中E为温度T时的内能，ΔE为其改变量，k为Boltzmann常数。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。 3模拟退火算法的原理 根据Metropolis准则，粒子在温度T时趋于平衡的概率为exp(-ΔE/(kT))，其中E为温度T时的内能，ΔE为其改变量，k为Boltzmann常数。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。 4模拟退火算法的模型与特点 1模拟退火算法可以分解为解空间、目标函数和初始解三部分。 2模拟退火的基本步骤: (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Δt′=C(S′)-C(S)，其中C(S)为评价函数 (5) 若Δt′0则接受S′作为新的当前解，否则以概率exp(-Δt′/kT)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。 6 模拟退火算法关键参数和操作的设计 6 模拟退火算法关键参数和操作的设计 6 模拟退火算法关键参数和操作的设计 6 模拟退火算法关键参数和操作的设计 6 模拟退火算法关键参数和操作的设计 7 模拟退火算法的改进 7 模拟退火算法的改进 7 模拟退火算法的改进 7 模拟退火算法的改进 7 模拟退火算法的改进 8 模拟退火算法的实现与应用 8 模拟退火算法的实现与应用 8 模拟退火算法的实现与应用 8 模拟退火算法的实现与应用 8 模拟退火算法的实现与应用 8 模拟退火算法的实现与应用 8 模拟退火算法的实现与应用 8 模拟退火算法的实现与应用 8 模拟退火算法的实现与应用 8 模拟退火算法的实现与应用 8 模拟退火算法的实现与应用 8 模拟退火算法的实现与应用 8 模拟退火算法的实现与应用 8 模拟退火算法的实现与应用 算法流程 1 30城市TSP问题（d*=423.741 by D B Fogel） 初始温度的计算 for i=1:100 route=randperm(CityNum); fval0(i)=CalDist(dislist,route); end t0=-(max(fval0)-min(fval0))/log(0.9); 1 30城市TSP问题（d*=423.741 by D B Fogel） 状态产生函数的设计 （1）互换操作，随机交换两个城市的顺序； （2）逆序操作，两个随机位置间的城市逆序； （3）插入操作，随机选择某点插入某随机位置。 1 30城市TSP问题（d*=423.741 by D B Fogel） 2