模拟退火算法及其改进算法.pptVIP

1.模拟退火算法起源; T0; 根据这一物理过程，1953年Metropolis提出重要性采样法，即以概率接受新状态。 称为Metropolis准则。 该准则指出：?固体在恒定温度下达到热平衡的过程可以用MorteCarol算法方法加以模 拟，虽然该方法简单，但必须大量采样才能得到比较精确的结果，因而计算量很大。鉴于物理系统倾向于能量较低的状态，而热运动又妨碍它准确落到最低态。采样时着重选取那些有重要贡献的状态则可较快达到较好的结果。;1.2 随机神经网络 BP神经网络和反馈神经网络都是使能量函数按梯度单调下降，如图 常常导致网络落入局部最小点而达不到全局最小点，这就意味着训练不收敛。 ; 而随机网络即能赋予网络下山的能力，也能赋予网络上山的能力，特点如下： （1）在学习阶段，随机网络不像其它网络那样基于某种确定性算法（2）在运行阶段，随机网络不是按某种确定性的网络方程进行状态演变，神经元的净输入不能决定其状态是1还是0.; 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 。 2.2 模拟退火算法的步骤 ;;2.3 模拟退火算法的特点 2.3.1 模拟退火算法的优点 计算过程简单，通用，鲁棒性强，适用于并行处理，可用于求解复杂的非线性优化问题 2.3.2模拟退火算法的缺点 降温过程与解的质量的矛盾 2.4 模拟退火算法的改进 （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） 设计高效的退火策略。;(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。 还可以通过以下方式进行改进 (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，从而可激活各状态的接受概率，以调整搜索进程中的当前状态，避免算法在局部极小解处停滞不前。 (2) 增加记忆功能。为避免搜索过程中由于执行率接受环节而遗失当前遇到的最优解，可通过增加存储环节，将一些在这之前好的态记???下来。;(3) 增加补充搜索过程。即在退火过程结束后，以搜索到的最优解为初始状态，再次执行模拟退火过程或局部性搜索。 (4) 对每一当前状态，采用多次搜索策略，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。 ;3 模拟退火算法的应用;投资组合的总效益为：;可得到投资风险组合优化决策模型如下：;3.1.3 根据模拟退火算法的思想设计适合该模型的算法;取;3.1.4实例分析;在计算机上运行后得到最优解