2 模拟退火算法教学讲义.ppt

1 2 模拟退火算法 2 2 模拟退火 一.导言 二.退火过程和Bolzman方程 三.SA的算法构造及步骤 四.计算举例 五.SA的收敛性分析 六.SA的应用举例 3 模拟退火的产生(SA) 1953年 Metropolis提出原始的SA算法，未引 起反响 1982年 Kirkpatrick提出现代的SA算法，得到广泛的应用 一.导言（1） 4 基本思想 模拟热力学当中的退火过程 退火过程： 物体： 高温 低温 高能状态 低能状态 一.导言（2） 缓慢下降 5 淬火： 快速冷却，使金属处于高能状态，较硬易断 退火： 缓慢冷却，使金属处于低能状态，较为柔韧 一.导言（3） 6 模拟退火在SA中的应用 在SA中将目标函数作为能量函数 模拟： 初始高温 温度缓慢下降 终止在低温 这时能量函数达到极小，目标函数最小 一.导言（4） 7 热力学中的退火过程 变温物体缓慢降温从而达到分子之间能量最 低的状态 二.退火过程和Bolzman方程（1） 10 温度 对 的影响 当 很大时， ，各状态的概率几乎相等 SA开始做广域搜索，随着温度的下降 差别 扩大 二.退火过程和Bolzman方程（4） 11 当 时， 与 的小差别带来 和 的巨大差别 例如： =90， =100， 二.退火过程和Bolzman方程（5） 12 当 =100时 二.退火过程和Bolzman方程（6） 13 当 =1时 此时 结论: 时，以概率1趋于最小能量状态 二.退火过程和Bolzman方程（7） 14 SA的模拟要求 初始温度足够高 降温过程足够慢 终止温度足够低 三.SA的算法构造及步骤（1） 15 问题的描述及要素 三.SA的算法构造及步骤（2） 16 SA的计算步骤 初始化,任选初始解, ,给定初始温度 ，终止温度 ，令迭代指标 。 注：选择 时，要足够高，使 随机产生一个邻域解， 计算目标值增量 三.SA的算法构造及步骤（3） 17 若 转步④ (j比i好无条件转移) ；否则产生 (j比i好，有条件转移)。 注： 高时，广域搜索； 低时，局域搜索 若达到热平衡(内循环次数大于 )转步⑤，否则转步②。 三.SA的算法构造及步骤（4） 18 降低 ，若 停止，否则转步②。 注：降低 的方法有以下两种 流程框图见下页 三.SA的算法构造及步骤（5） 19 20 问题的提出 单机极小化总流水时间的排序问题 四个工作： ，求 的最优顺序。 四.计算举例 （1） 21 预备知识：按SPT准则，最优顺序为3-1-4-2 四.计算举例 （2） 22 用SA求解这个问题 状态表达：顺序编码 邻域定义：两两换位定义为邻域移动 解： 设 降温过程定义为 初始解：i=1-4-2-3 四.计算举例 （3） 23 ⑴ ① ② ③ 注释： ①无条件转移； ②③为有条件转移； 在②③中，虽然目标值变坏，但搜索范围变大； 是随机产生的 四.计算举例 （4） 24 ⑵ ① ② ③ 注释： ①有条件转移； ②为无条件转移； 在③中，停在4-3-1-2状态，目标值仍为109； 四.计算举例 （5） 25 ⑵ ① ② ③ 注释： ① ②无条件转移； 在③中，停在3-1-4-2状态，目标值仍为92； SA没有历史最优，不会终止在最优解，故算法一 定要保持历史最优。 四.计算举例 （6） 26 SA终止在最优解上的条件： 初始温度足够高 热平衡时间足够长 终止温度足够低 降温过程足够慢 以上条件实际中很难满足，所以只能记录历 史最优解。 四.计算举例 （7） 27 SA特点：编程最容易，理论最完善。下面基于 Markov过程分析收敛性。 四.计算举例 （8） 28 Markov过程的基本概念 举例说明：盲人一维游走、醉汉或青蛙在3块石 头上随机跳动，这3中状况可用来说明这个问 题，他们行动的共同特点是无记忆性。 五.SA的收敛性分析 （1） 29 基本概念 状态： 处于系统中的一种特定状态表达。 状态转移概率： 从状态 i 转移到状态 j 的可能性。 无后效应： 到一个状态后，决策只与本状态有关，与以 前的历史状态无关。 五.SA的收敛性分析 （2） 30 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。 五.SA的收敛性分