是标准ga、sa以及并行sa算法的统一结构.pptVIP

第四章 模拟退火算法 (II) 内 容 SAA求解TSP SAA求解函数优化问题 SAA策略 SAA改进 SM-SA混合策略 GA-SA混合策略 SAA求解TSP 具体实现相当简单 设定初始温度、终止温度，采用等比降温策略 能量函数直接取为目标函数 设定变异算子 设定热平衡迭代次数 设定相关参数 SAA求解TSP 关键问题是变异算子 如何由旧的解产生新的解 方式很多 相邻两位置对换——变动最小 任意两位置对换 单点位置移动 子排列位置移动 子排列反序 子排列位置移动且反序——变动最大 理论已经证明上述所有方式都收敛 实际验证收敛性能差异很大 SAA求解TSP SAA求解函数优化问题 具体实现相似，主要注意 能量函数根据具体目标函数需要调整 设定变异算子 设定热平衡迭代次数 SAA策略 初温 变异算子 选择算子 降温策略 等温过程平衡准则 算法终止准则 初温 初温 要足够高 实验表明，初温越高，获得高质量解的几率越大，但花费的计算时间将同时增加。 初温的确定应折衷考虑优化质量和优化效率。 变异算子 一般叫做状态产生函数 设计状态产生函数(邻域函数)的出发点应该是尽可能保证产生的候选解遍布全部解空间。 状态产生函数由两部分组成，即产生候选解的方式和候选解产生的概率分布。前者决定由当前解产生候选解的方式，后者决定在当前解产生的候选解中选择不同状态的概率。候选解的产生方式由问题的性质决定，通常在当前状态的邻域结构内以一定概率方式产生，而邻域函数和概率方式可以多样化设计，其中概率分布可以是均匀分布、正态分布、指数分布、柯西分布等。 选择算子 一般叫做状态接受函数 状态接受函数一般以概率的方式给出，不同接受函数的差别主要在于接受概率的形式不同。设计状态接受概率，应该遵循以下原则： (1)在固定温度下，接受使目标函数值下降的候选解的概率要大于使目标函数值上升的候选解的概率； (2)随温度的下降，接受使目标函数值上升的解的概率要逐渐减小； (3)当温度趋于零时，只能接受目标函数值下降的解。 降温策略 实验表明降温速度越慢，获得高质量解的几率越大，但花费的计算时间将同时增加。 常用的等比策略：Tk+1=a ·Tk, a 为(0,1)中常数 温度高时下降的慢些，温度低时下降的快些 等温过程平衡准则 一般叫做抽样稳定准则 用于决定在各温度下产生候选解的数目。 常用的抽样稳定准则包括： (a)检验目标函数的均值是否稳定； (b)连续若干步的目标值变化较小； (c)按一定的步数抽样。 应与问题规模成比例 实验表明高温时迭代次数越多越好，低温时迭代次数可以适当减少 终止条件 算法终止准则， 用于决定算法何时结束 SA算法的收敛性理论中，要求温度终值趋于零，这显然是不实际的。通常的做法包括： (a)设置终止温度的阈值； (b)设置外循环迭代次数 (c)算法搜索到的最优值连续若干步保持不变； (d)检验系统熵是否稳定。 算法改进 改进各个环节： (1)设计合适的状态产生函数，使其根据搜索进程的需要表现出状态的全空间分散性或局部区域性。 (2)设计高效的退火历程。 (3)避免状态的迂回搜索。 (4)采用并行搜索结构。 (5)为避免陷入局部极小，改进对温度的控制方式。 (6)选择合适的初始状态。 (7)设计合适的算法终止准则。 算法改进 增加新的环节： (1)增加升温或重升温过程。在算法进程的适当时机，将温度适当提高，以激活各状态的接受概率，调整搜索进程中的当前状态，避免算法在局部极小解停滞不前。 (2)增加记忆功能。为避免搜索过程中由于执行概率接受环节而遗失当前遇到的最优解，可增加存储环节，将“Best So Far”的状态记忆下来。 (3)增加补充搜索过程。在退火过程结束后，以搜索到的最优解为初始状态，再次执行SA过程或局部趋化性搜索。 (4)对每一当前状态，采用多种搜索策略，以概率接受区域内的最优状态，而非标准SA的单次比较方式。 (5)结合其他搜索机制的算法，如遗传算法、混沌搜索等。 (6)上述各方法的综合应用。 TINA Time-invariant noise algorithm 变异算子中扰动强度不随时间改变，而是和能量大小相关，能量大的扰动大，能量小的扰动小，能量为零，扰动也为零，算法停止。 MTRSA 单调升温(Monotonic temperature rising) SA 在算法退火后期，温度很低且陷入局部极小解的时，算法很难跳出。因此，可以适当重新提高温度，促使算法跳出。 并行SA 并行SA 操作并行：各个环节同时处理 进程并行：同时多个算法运行 空间并行：解空间分解分别处理，最终组合 FSA 快速SA 采用半全局的Cauchy-Lorentz跃迁分布代替原来局部性的Guass分布，使得新的状态可以有更大距