汽车前沿技术-模拟退火(SA)算法教材.pptxVIP

模拟退火（SA）算法 Content 模拟退火算法介绍 TEXT 解决TSP问题 TEXT 如何改进算法 TEXT 1 2 3 01/算法背景 提出 出发点 应用范围 模拟退火算法(Simulated Annealing，SA)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。 模拟退火算法是一种通用的优化算法，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。 TEXT 01/什么是退火？ 加温 1 粒子无序 2 冷却 3 逐渐有序 4 温度平衡 5 常温基态 6 能量角度： 模拟退火算法来源于固体退火原理，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。 百度百科： 退火是一种金属热处理工艺，指的是将金属缓慢加热到一定温度，保持足够时间，然后以适宜速度冷却，是一种对材料的热处理工艺，包括金属材料、非金属材料。 01/算法流程 1 2 3 初始 计算 Metropolis 1 2 3 算法一句话概括：能接受坏解。 产生新解S′， 计算增量ΔT=C(S′)-C(S)，其中C(S)为评价函数。 若ΔT0则接受S′作为新的当前解，否则以概率r=exp(-ΔT/T)接受S′作为新的当前解. 。 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。 01/算法优势，牛叉之处 1 2 3 初始 计算 Metropolis 百度百科：对于许多贪心算法，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。正是这种随机因素赋予其跳出局部陷阱的能力，既能从山顶爬下去，也能从山底爬上来。 02/TSP问题介绍 每个城市只能访问一次 随机出发，最后回到出发地 路程最近 02/实验数据 实验数据取自标准数据库TSPLIB中实例tsp225： (http://www.iwr.uniheidelberg.de/groups/comopt/softwarTSPLIB95/tsp/)） 02/实验结果 百度百科：这类问题中没有一个找到有效算法。倾向于NP难题（NP-Hard或NPH）不存在有效算法这一猜想，认为这类问题的大型实例不能用精确算法求解，必须寻求这类问题的有效的近似算法。 03/改进方法 调整初始条件 1、 调试参数 2、 引入回火概念 3、 与其他算法融合 4、 多元同时运算 5、 还有好多，我编不下去了。。。 6、 改进 预期效果 加快运算时间； 减少迭代次数； 解的效果更好； 能更广阔应用。’ 03/改进实测 改进方式： 对初始条件、运算方法进行优化，随机生成的初始值具有优势，更容易得到最优解。 03/改进类比 THANK YOU 祝： 选了优化的同学有好成绩，很难，你懂的。