高等运筹学5培训资料.pptVIP

第5章 模拟退火算法 模拟退火算法（Simulated Annealing, 简称SA）是Kirkpatrick等人于1982年提出的一种适合求解大规模组合优化问题，特别是NP-难问题的通用启发式算法． 算法思想源于对固体物质退火过程的模拟；采用Metropolis接受准则；并用一组称之为冷却进度表的参数控制算法进程，使算法在多项式时间里给出一个近似最优解． SA的物理背景：固体物质退火过程． 使算法跳离局部最优的关键：Metropolis接受准则． 算法应用的前提：冷却进度表的合理选择． 主要内容 5.1 固体退火过程和Metropolis准则 5.2 模拟退火算法的基本思想和步骤 5.3 模拟退火算法关键参数和操作的设计 5.4 模拟退火算法实现与应用 5.5 模拟退火算法的改进 5.1 固体退火过程和Metropolis准则 固体物质退火是先将固体加热至熔化，再徐徐冷却使之凝固成规整晶体的热力学过程. 固体物质的退火过程由三部分组成： 加温过程：增强粒子的热运动；系统能量随之增大． 等温过程：系统达到该温度下能量最小状态，即平衡态． 冷却过程：使粒子的热运动减弱并逐渐有序化． 对于固体在恒定温度下达到热平衡的过程模拟，Metropolis等人在1953年提出了“重要性采样法”，即以概率接受新状态． 若EjEi则接受新状态j为当前状态（“重要”状态）； 若EjEi，要依据概率 　　　　　　　　来确定． 5.2 模拟退火算法的基本思想和步骤 1. 固体退火与组合优化之间的相似性 固体退火概念与优化问题的对应关系 固体退火 组合优化问题 状态i 系统能量Ei 能量最低状态 加温熔化 等温过程 冷却过程 解xi 目标函数f (xi) 最优解 设定初温t0 产生新解、判断、接受/舍弃 控制参数t的变化 2.算法思想和步骤 Metropolis算法：从某一初始状态出发，通过计算系统的时间演化过程，求出系统最终达到的状态． SA：从某个初始解出发，经过大量解的变换后，求得给定控制参数值t时优化问题的相对最优解．然后，减少t的值，重复执行Metropolis算法，就可以在t趋于零时，求得优化问题的全局最优解． SA由与Metropolis准则对应的转移概率Pt确定是否接受从当前解xi到新解xj的转移，即 Procedure Simulated_Annealing; Begin 任选一个初始解x0；确定初始温度t0和每一个t值下进行迭代的次数L； xi := x0; （置初始解为当前解） k := 0; （温度变化计数器置0） Repeat l := 0; （迭代次数计数器） Repeat 从邻域N (xi)中随机选一xj；计算Δf = f (xj)-f (xi)； if (Δf≤0) then xi := xj; else if exp(-Δf / tk) random [0, 1] then xi := xj; l := l +1; until l = L; k := k+1; tk := t (k); until 满足终止条件； End;　　　　　　　　　　　　　　　　　　　 3.模拟退火算法的特点分析 SA依据Metropolis准则接受新解，因此除接受优化解外，还在一定范围内接受恶化解，这正是SA与局部搜索算法的本质区别所在． SA具有如下特点： (1)优于局部搜索算法． (2) 若在每个t值都达到平衡分布，且所构造的邻域结构能使解空间中的任何两个状态可达，则SA渐近收敛于全局最优解． (3)随着控制参数t值的减小，算法返回某个全局最优解的概率单调增大. 与局部搜索算法相比，SA的性能可概括为高效、健壮、通用和灵活． (1)高效性．SA可在较短时间里求得更好的最终解． (2)健壮性（鲁棒性，robust）．即算法的最终解并不十分依赖初始解的选取． (3)通用性和灵活性．SA能应用于求解多种组合优化问题，为一个问题编制的程序可以有效地用于其它问题． 3.初始温度 从理论上说，初始温度t0应使平稳分布中每一状态被接受的概率相等，也就是使 若取P＝0.9，则在Δf = 100时，t0＞949． 在实际应用中可用以下方法进行简单地估计： (1)Δf =(目标函数值的上界)－(目标函数值的下界)． (2)随机产生若干个解，求所有解对间的目标函数差，然后取其中的最大者作为Δf． 4.温度更新函数 表示温度下降的方式并控制温度下降的速度． 常用的温度更新函数