6.6 模拟退火算法培训讲解.pptxVIP

1;6.6 模拟退火算法;6.6 模拟退火算法;6.6.1 模拟退火算法背景简介;6.6.1 模拟退火算法背景简介;加温过程——增强粒子的热运动，消除系统原先可能存在的非均匀态；;6.6.1 模拟退火算法背景简介;6.6 模拟退火算法;在温度T，分子停留在状态r满足Boltzmann概率分布;Boltzman概率分布的启示：;Boltzman概率分布的启示：;Boltzman概率分布的启示：;Boltzman概率分布的启示：;Boltzman概率分布的启示：;6.6.2 模拟退火算法基本步骤;6.6.2 模拟退火算法基本步骤;组合优化问题;模拟退火算法最早的思想由Metropolis等（1953）提出，1983年Kirkpatrick等将其应用于组合优化。 ;给定初温t=t0，随机产生初始状态s=s0，令k=0； Repeat Repeat 产生新状态sj=Genete(s)； if min{1,exp[-(C(sj)-C(s))/tk]}=randrom[0,1] s=sj; Until 抽样稳定准则满足； 退温tk+1=update(tk)并令k=k+1； Until 算法终止准则满足； 输出算法搜索结果。;;;6.6.2 模拟退火算法基本步骤;6.6.2 模拟退火算法基本步骤;6.6.2 模拟退火算法基本步骤;;非时齐模拟退火算法 每个温度下只产生一个或少量候选解;常用方法 （1）设置终止温度的阈值； （2）设置外循环迭代次数； （3）算法搜索到的最优值连续若干步保持不变； （4）概率分析方法。;;原则 产生的候选解应遍布全部解空间;原则 (1)在固定温度下，接受使目标函数下降的候选解的概率要大于使目标函数上升的候选解概率； (2)随温度的下降，接受使目标函数上升的解的概率要逐渐减小； (3)当温度趋于零时，只能接受目标函数下降的解。;时齐算法的温度下降函数 （1） ，α越接近1温度下降越慢，且其大小可以不断变化； （2） ，其中t0为起始温度，K为算法温度下降的总次数。;模拟退火算法的优点 质量高； 初值鲁棒性强； 简单、通用、易实现。;6.6 模拟退火算法;6.6.3 模拟退火算法收敛性分析;;以青蛙跳动为例说明状态转移概率；用石头唯一的表达青蛙所处的状态，假设青蛙跳动具有无后效应的特点。;38;考虑青蛙在任意给定t时刻时处在各状态的概???向量，;定义 一步转移概率： n步转移概率： 若解空间有限，称马尔可夫链为有限状态； 若 ，称马尔可夫链为时齐的。;;6.6.3 模拟退火算法收敛性分析;6.6.3 模拟退火算法收敛性分析;6.6.3 模拟退火算法收敛性分析;6.6.3 模拟退火算法收敛性分析;6.6 模拟退火算法;30城市TSP问题（d*=423.741 by D B Fogel） ;初始温度的计算 for i=1:100 route=randperm(CityNum); fval0(i)=CalDist(dislist,route); end t0=-(max(fval0)-min(fval0))/log(0.9); ;状态产生函数的设计 （1）互换操作，随机交换两个城市的顺序； （2）逆序操作，两个随机位置间的城市逆序； （3）插入操作，随机选择某点插入某随机位置。;参数设定 截止温度 tf=0.01; 退温系数 alpha=0.90; 内循环次数 L=200*CityNum;;运行过程 ;运行过程 ;运行过程 ;运行过程 ;运行过程 ;运行结果