第6章 模拟退火教材课程.pptVIP

1 第六章 模拟退火算法 2 6.1 模拟退火算法及模型 6.2 模拟退火算法的马氏链描述 6.3 模拟退火算法的关键参数和操作的设计 6.4 模拟退火算法的改进 6.5 模拟退火算法实现与应用 3 6.1 模拟退火算法及模型 6.1.1 物理退火过程 6.1.2 组合优化与物理退火的相似性 6.1.3 模拟退火算法的基本思想和步骤 4 算法的提出 模拟退火算法是受物理退火过程得到启发，1953年由Metropolis等提出，1983年Kirkpatrick等将其应用于组合优化。 算法的目的 解决NP复杂性问题； 克服优化过程陷入局部极小； 克服初值依赖性。 5 物理退火过程 退火是指将固体加热到足够高的温度，使分子呈随机排列状态，然后逐步降温使之冷却，最后分子以低能状态排列，固体达到某种稳定状态。 固体在高温状态下通过退火冷却到低温状态，最终稳定在一个最佳状态，这本身就是一个优化过程。 6 物理退火过程 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； 等温过程——对于与环境换热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； 冷却过程——使粒子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。 7 数学表述 在温度T，分子停留在状态r满足Boltzmann概率分布 8 数学表述 在同一个温度T，选定两个能量E1E2，有 在同一个温度，分子停留在能量小的状态的概率比停留在能量大的状态的概率要大。 1 0 10 Metropolis准则（1953）——以概率接受新状态 固体在恒定温度下达到热平衡的过程可以用Monte Carlo方法（计算机随机模拟方法、随机抽样）加以模拟，虽然该方法简单，但必须大量采样才能得到比较精确的结果，计算量很大。 11 Metropolis准则（1953）——以概率接受新状态 若在温度T，当前状态i → 新状态j 若EjEi，则接受 j 为当前状态； 否则，若概率 p=exp[-(Ej-Ei)/kBT] 大于[0,1)区间的随机数，则仍接受状态 j 为当前状态；若不成立则保留状态 i 为当前状态。 12 Metropolis准则（1953）——以概率接受新状态 p=exp[-(Ej-Ei)/kBT] 在高温下，可接受与当前状态能量差较大的新状态； 在低温下，只接受与当前状态能量差较小的新状态。 13 相似性比较 优化问题 金属物体 解 粒子状态 最优解 能量最低的状态 设定初温 熔解过程 Metropolis抽样过程 等温过程 控制参数的下降 冷却 目标函数 能量 14 基本步骤 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。 15 影响优化结果的主要因素 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。 三函数两准则 初始温度 16 定义 17 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马尔可夫链； 若 ，称马尔可夫链为时齐的。 18 模拟退火算法对应了一个马尔可夫链