第三章__模拟退火算法培训讲解.pptVIP

3.4 模拟退火算法的改进 智能优化计算 改进的抽样过程 （1）令k=0时的初始当前状态为s’(0)=s(i)，q=0； （2）由状态s通过状态产生函数产生新状态s’，计算增量?C’=C(s’)-C(s)； （3）若?C’0，则接受s’作为当前解，并判断C(s*’)C(s’)? 若是，则令s*’=s’，q=0；否则，令q=q+1。若?C’0，则以概率exp(-?C’/t)接受s’作为下一当前状态； （4）令k=k+1，判断qm1? 若是，则转第(5)步；否则，返回第(2)步； （5）将当前最优解s*’和当前状态s’(k)返回改进退火过程。 3.4.3 一种改进的模拟退火算法 3.5 模拟退火算法的实现与应用 智能优化计算 3.5.1 30城市TSP问题（d*=423.741 by D B Fogel） TSP Benchmark 问题 41 94;37 84;54 67;25 62; 7 64;2 99;68 58;71 44;54 62;83 69;64 60;18 54;22 60;83 46;91 38;25 38;24 42;58 69;71 71;74 78;87 76;18 40;13 40;82 7;62 32; 58 35;45 21;41 26;44 35;4 50 3.5 模拟退火算法的实现与应用 智能优化计算 算法流程 3.5.1 30城市TSP问题（d*=423.741 by D B Fogel） 3.5 模拟退火算法的实现与应用 智能优化计算 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); 3.5.1 30城市TSP问题（d*=423.741 by D B Fogel） 第三章 模拟退火算法 智能优化计算 3.1 模拟退火算法及模型 3.1.1 物理退火过程 3.1.2 组合优化与物理退火的相似性 3.1.3 模拟退火算法的基本思想和步骤 3.2 模拟退火算法的马氏链描述 3.2.1 马尔可夫链 3.2.2 模拟退火算法与马尔可夫链 3.3 模拟退火算法的关键参数和操作的设计 3.3.1 状态产生函数 3.3.2 状态接受函数 3.3.3 初温 3.3.4 温度更新函数 3.3.5 内循环终止准则 3.3.6 外循环终止准则 智能优化计算 3.4 模拟退火算法的改进 3.4.1 模拟退火算法的优缺点 3.4.2 改进内容 3.4.3 一种改进的模拟退火算法 3.5 模拟退火算法实现与应用 3.5.1 30城市TSP问题（d*=423.741 by D B Fogel） 3.5.2 模拟退火算法在管壳式换热器优化设计中的应用 智能优化计算 3.1 模拟退火算法及模型 智能优化计算 算法的提出 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。 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。 3.1.1 物理退火过程 3.1 模拟退火算法及模型 智能优化计算 物理退火过程 什么是退火： 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。 3.1.1 物理退火过程 3.1 模拟退火算法及模型 智能优化计算 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。 3.1.1 物理退火过程 3.1 模拟退火算法及模型 智能优化计算 数学表述