图论GraphTheorych7章节幻灯片.pptVIP

* * * * * * * * Boltzmann常数:有关于温度及能量的一个物理常数 , k = 1.3806505(24) × 10?23 * * 模拟退火算法(simulated annealing,简称SA)的思想最早是由Metropolis等(1953)提出的，1983年Kirkpatrick等将其用于组合优化。SA算法是基于Monte Carlo迭代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。 * 物理退火过程和Metropolis准则 ⑴加温过程。其目的是增强粒子的热运动，使其偏离平衡位置。当温度足够高时，固体将溶解为液体，从而消除系统原先可能存在的非均匀态，使随后进行的冷却过程以某一平衡态为起点。 * ⑵等温过程。对于与周围环境交换热量而温度不变的封闭系统，系统状态的自发变化总是朝自由能减少的方向进行，当自由能达到最小时，系统达到平衡态。 ⑶冷却过程。目的是使粒子的热运动减弱并渐趋有序，系统能量逐渐下降，从而得到低能的晶体结构。 * Metropolis等在1953年提出了重要性采样法，即以概率接受新状态。具体而言，在温度t,由当前状态i产生新状态j，两者的能量分别为 ，若 则接受新状态j为当前状态；否则，若概率 大于 区间内的随机数则仍旧接受新状态j为当前状态，若不成立则保留i为当前状态，其中k为Boltzmann常数。 * 这种重要性采样过程在高温下可接受与当前状态能量差较大的新状态，而在低温下基本只接受与当前能量差较小的新状态，而且当温度趋于零时，就不能接受比当前状态能量高的新状态。这种接受准则通常称为Metropolis准则。 * 模拟退火算法: 初始化：初始温度T(充分大)，初始解状态S，?每个T值的迭代次数L 对k=1，……，L做第(3)至第6步： 产生新解S′ 计算增量ΔC′=C(S′)-C(S)，(C(S)为评价函数) 若ΔC′0则接受S′作为新的当前解，否则以概率exp(-Δt′/T)接受S′作为新的当前解. 如果满足终止条件则结束程序. T逐渐减少，且T?0，然后转第2步。 (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。 ) * 模拟退火算法求解TSP问题。 解空间：解空间S是遍访每个城市恰好一次的所有路经，解可以表示为{w1,w2 ,……, wn}。 初始解可选为(1,……, n) ; 目标函数：目标函数为访问所有城市的路径总长度; 最优路径为目标函数为最小值时对应的路径。 　　 * 新路径的产生： 随机产生1和n之间的两相异数k和m，不妨假设km，则将原路径　　(w1,w2,…,wk,wk+1,…,wm,wm+1,…,wn)变为新路径：　　(w1,w2,…,wm,wk+1,…,wk,wm+1,…,wn) * 模拟退火算法的一些特点： 能以较大概率求得全局优化解; 具有较强的鲁棒性 全局收敛性 广泛的适应性; 由于时间限制等原因，难以达到全局最优。 在每一温度下很难判断是否达到了平衡状态。 * * 蚁群算法（Ant Colony）原理蚁群算法是对自然界蚂蚁的寻径方式进行模似而得出的一种仿生算法.蚂蚁在运动过程中,能够在它所经过的路径上留下一种称之为信息素(pheromone)的物质进行信息传递,而且蚂蚁在运动过程中能够感知这种物质,并以此指导自己的运动方向,因此由大量蚂蚁组成的蚁群集体行为便表现出一种信息正反馈现象:某一路径上走过的蚂蚁越多,则后来者选择该路径的概率就越大. * 在蚁群寻找食物时,它们总能找到一条从食物到巢穴之间的最优路径. 这是因为蚂蚁在寻找路径时会在路径上释放出一种特殊的信息素.当它们碰到一个还没有走过的路口时.就随机地挑选一条路径前行.与此同时释放出与路径长度有关的信息素. 路径越长,释放的激索浓度越低.当后来的蚂蚁再次碰到这个路口的时候.选择激素浓度较高路径概率就会相对较大.这样形成一个正反馈. 最优路径上的激索浓度越来越大.而其它的路径上激素浓度却会随着时间的流逝而消减.最终整个蚁群会找出最优路径. * 蚂蚁向下一个目标的运动是通过一个随机原则来实现的,也就是运用当前所在节点存储的信息,计算出下一步可达节点的概率,并按此概率实现一步移动,逐此往复,越来越接近最优解.蚂蚁在寻找过程中,或者找到一个解后,会评估该解或解的一部分的优化程度,并把评价信息保存在相关连接的信息素中. * * 蚂蚁寻找最短路径原理 * A）蚁群到达决策点。 B）一些蚂蚁选择上方路径，一些蚂蚁选择下方路径。选择是随机的。 C）下方短路径蚂蚁到达相反方向的决策点的时间早于选择上方长路径的蚂蚁