章节9-2 模拟退火方法.pptVIP

§9.2 模拟退火方法;§9.2.1 固体退火与模拟退火算法; 在加热固体时，固体粒子的热运动不断增强，随着温度的升高，粒子与其平衡位置的偏离越来越大。当温度升至熔解温度后，固体的规则性被彻底破坏，固体熔解为液体，粒子排列从较有序的结晶态转变为无序的液态，这个过程称为熔解。熔解过程的目的是消除系统中原先可能存在的非均匀状态，使随后进行的冷却过程以某一平衡态为始点。熔解过程与系统的熵增过程相联系，系统能量也随温度升高而增大。; 冷却时，液体粒子的热运动逐渐减弱，随着温度的徐徐降低，粒子运动渐趋有序。当温度降至结晶温度后，粒子运动变为晶体格点的微小振动，液体凝固成固体的晶态，这个过程称为退火。退火过程之所以必须徐徐进行，是为了使系统在每一温度下都达到平衡态，最终达到固体的基态。退火过程中系统的熵值不断减小，系统能量也随着温度降低趋于最小值。冷却时，若急剧降低温度，则将引起淬火效应，即固体只能冷却为非均匀的亚稳态，系统能量也不会达到最小值。;2. Metropolis准则;因此，r∈[0,1]越大新状态j是重要状态的几率就越大。若新状态j是重要状态，就以j取代i成为当前状态，否则仍以i为当前状态。再重复以上新状态的产生过程。在大量迁移(固体状态的变换称为迁移)后，系统趋于能量较低的平衡状态，固体状态的概率分布趋于公式(9.9)的Gibbs正则分布。;3. 模拟退火算法的提出;§9.2.2 模拟退火算法的基本过程; 模拟退火算法用Metropolis算法产生优化问题解的序列，并由与Metropolis准则对应的转移概率Pt：;因此，模拟退火算法可视为递减控制参数时Metropolis算法的迭代，计算过程可用图9-10表示。;2. 产生新解与转移; 模拟退火依据Metropolis准则接受新解，因此除接受优化解外，还在一个限定范围内接受恶化解，这正是模拟退火算法与局部搜索算法的本质区别所在。在开始时t值大，可能接受较差的恶化解；随着t值的减小，只能接受较好的恶化解；最后在t值趋于零时，就不再接受任何恶化解了。这就使模拟退火算法既可以从局部优化的“陷井”中跳出，更有可能求得优化问题的整体最优解，又不失简单??和通用性。因此对大多数问题而言，模拟退火算法要优于局部搜索算法。;§9.2.3 模拟退火算法的控制参数; 冷却进度表的构造是基于算法的准平衡(quasi-equilibrium)概念，其定义如下：设Lk是第k个马尔柯夫链的长度，tk是相应的第k个控制参数值。若第k个马尔柯夫链的Lk次变换后，解的概率分布充分逼近t=tk时的平稳分布，则称模拟退火算法达到准平衡。基于准平衡概念将得出两个结论：第一，只要tk值充分大，算法在控制参数的这些取值上就会立即达到准平衡；第二，控制参数tk的衰减量越大，需要马尔柯夫链的长度越长，才能恢复准平衡，通常选取tk的小衰减量以避免过长的马尔柯夫链，也可以选用大的Lk值以对tk进行大的衰减。; 任何有效的冷却进度表都必须妥善解决两个问题：其一是算法的收敛性问题。虽然理论上已经证明模拟退火算法在一定条件下的渐近收敛性，但不合理的冷却进度表仍然会使算法在某些解间“振荡”而不能收敛于某一近似解。这个问题可以通过tk、Lk以及停止准则的合理选取加以解决。第二个问题是模拟退火算法的效率问题。算法的效率一般用两个指标来衡量：平均情况下最终解的质量和CPU时间。基于算法准平衡概念，采用较高量化标准构造的冷却进度表将控制算法进行较多次的变换，搜索的解空间范围也就越大，因此对应较高质量的最终解，这必然与较长的CPU时间相对应，反之亦然。这一结论已为许多实验所证实：模拟退火算法最终解的质量与相应CPU时间呈反向关系，很难两全其美。因此算法效率问题的妥善解决只有一种方法：折衷，即在合理的CPU时间里尽量提高最终解的质量。这种抉择涉及冷却进度表所有参数的合理选取。; 基于上述折衷原则，冷却进度表可以根据经验法则或理论分析选取。经验法则从合理的CPU时间出发，探索提高最终解质量的途径，简单直观而有赖丰富的实践；理论分析从最终解的质量入手，寻求减少CPU时间的方法，精确透彻却难免繁琐的推理。在用折衷原则解决算法的效率问题时，算法的收敛性问题也就迎刃而解了。 ;由Metropolis准则 ，可推知t0值很大。例如取?0=0.9，则? f=100时t0949。经验法则要求算法进程在合理的时间里搜索尽可能大的解空间范围，只有足够大的t0值才能满足这个要求。; (3)马尔柯夫链长度Lk的选取：马尔柯夫链长度的选取原则是：在控制参数t的衰减函数已确定的情况下