章9-2 模拟退火方法复习课程.pptVIP

3. 快速退火演化算法(FAEA) 将退火演化算法的基本过程与VFA技术相结合，我们可以建立快速退火演化算法，其算法框图如图9-13，图中ps为群体大小，ns为马尔柯夫链长度。 图9-13 快速退火演化算法的程序框图 快速退火演化算法主要包括遗传算法的初始化、选择、基因交换、变异以及模拟退火的产生新解、接受新解、新解转移和控制参数调整等步骤，其中遗传算法的个体评价计算在模拟退火的马尔柯夫链中完成。 值得注意的是，由于模拟退火过程使每个个体都具有较好的评价值，对在很多情况下遗传算法的选择、基因交换和变异三个步骤对整个算法的贡献并不显著。为了节约计算时间，可省略这三个步骤。 为了比较快速退火演化算法的计算效率，本书作者曾采用下列函数的极值求解问题与其他算法做了比较，结果列于表9-3。表中的数据为求解成功所需要的函数评价次数，FAEA为100次运算的平均值，其他数据分别来自表后的参考文献。 表9-3 函数极小值求解结果的比较 函数1：Hartman’s function， , 0? xj ?1 n=3时的全局极小值为3.8627，n=6时为?3.3223。 函数2：Rastrigin’s function， , A=8, ?5.12? xi ?5.12 n=2时有50多个局部极小值，全局极小值为0，位于xi=0。 函数3：Goldstein-Price’s function， 其中?2? xi ?2。 全局极小值为3，位于x1=0，x2=?1。 函数4：Camelback function， 其中?5? xi ? 5。 全局极小值为?1.0316285。 函数5：Shubert’s function， 其中?10? xi ? 10。 全局极小值为?186.7309。 函数6：Branin’s function， 其中?5? x1 ? 10, 0? x2 ? 15。 全局极小值为5/(4?)。 在FAEA的优化中采用了|f?fmin|10-6为停止判据，其他参数为：ps?2, ns?8, =1.0, m=90, n=9.5。通过表中的数据比较可知，FAEA与其他随机算法相比具有较明显的优越性。 缩写全称： PRS — Pure random search [1,2]； SA1 — Simulated annealing based on stochastic differential equations [2,3]； SA2 — Simulated annealing [2,3]； EA — Evolution algorithm [4,5]； IA — Interval arithmetic technique [5,6]； TUN — Tunneling method [5,7]； TS — Taboo search [2]； MGA — Modified genetic algorithm [8]； FAEA — Fast annealing evolutionary algorithm [9]。 §9.2 模拟退火方法 模拟退火算法(Simulated Annealing Algorithm, SAA)是一种适合解决大规模组合优化问题，特别是NP完全类问题的通用有效近似算法。它与以往的近似算法相比，具有描述简单、使用灵活、运用广泛、运行效率高和较少受初始条件限制等优点，而且特别适合并行计算。模拟退火算法的特点可概括为：高效、稳健、通用、灵活。与局部搜索算法相比，模拟退火算法可望在较短时间里求得更优近似解。模拟退火算法与遗传算法一样，采用随机的初始解为起点，因此大大降低了求解组合优化问题的前期工作量。模拟退火算法的解和CPU时间均随问题规模的增大而趋于稳定，且不受初始解和随机数序列的影响，其性能不因问题的不同而蜕变。模拟退火算法可用于多种组合优化问题，为一个问题编制的程序可以有效地用于其他问题。模拟退火算法解的质量与CPU时间呈反向关系，针对不同的实例以及不同的解的要求，适当调整控制参数值可使算法获得最佳效果。由于模拟退火算法的以上特性，已被广泛应用于组合优化、连续优化和非线性优化等问题中，并已取得了很好的