硕士论文 最佳化演算法介绍--模拟退火法.docVIP

最佳化演算法介紹--模擬退火法 摘要 求解離散組合數學問題（Discrete Combination Mathematical Problem），有很多最佳化組合演算（Optimization Combination Algorithm）被提出，如支界法（Branch and Bound Method）、模擬退火法（Simulation Annealing）、基因遺傳演算法（Genetic Algorithm）、差分進化法（Differential Evolution）及模糊技術法（Fuzzy Technique）等陸續被應用，近年來更有提出類神經網路法（Neural Network Method）、人工智慧法及將兩種不同方法混合成一種新的解法，例如：有人將專家系統與退火法結合成複合法（Hybrid Method）……等等，解法技術的精進，使以往可能只是求局部解的，現在則可能成為求全域解。 關鍵詞：離散組合數學問題、最佳化組合演算、支界法、模擬退火法、基因遺傳演算法、差分進化法、模糊技術法、類神經網路法、人工智慧法。 前言 最佳化演算法無論就早期數學最佳化，或最近所應用的組合數學最佳化法，其主要目標，不外乎希望在最短時間內，求出最精確的最佳解。本文將簡介模擬退火法[1-6]以便進一步探索最佳化演算法。 材料與方法 模擬退火法，源自於物理學上的退火法則：金屬被加熱至熔點以上會產生熔解，之後慢慢的降溫到晶体粒子排列非常緊密，達到冷凍狀態，金屬在高溫時，原子會激烈地隨機動作，有朝能量最低狀態的趨勢，當降溫速度非常慢時，粒子間活動達一熱平衡（Thermal equlilbrium），直到冷凍狀態，此時系統能量最低。 模擬退火法最早由N.Metropolis 等人在1953年提出，直到1983年由S.Kirpatrick 等人用來解組合最佳化問題，主要是尋求問題的最佳解。它是一種機率登山搜尋（Probabilistic Hill Climbing Search ）演算法，在搜尋過程中，通常以最陡降的方式，使解答往能量函數值較低處移動，透過隨機過程，偶爾往能量函數值較高處移動，此種方法，提供具有跳脫局部解的能力，如圖一所示 圖1：模擬退火法最佳解之搜尋 模擬退火演算法，可進一步說明如下 (1) 其中為退火代數，為退火程序溫度，為初始溫度、為最終溫度。當時，程式執行終止。 ，為降溫係數，， 則為求值函數，是一探索串列，如下所示 = {} , (2) 分別表前後程序，表程序執行代數，串列中的每一 表前後程序的兩個可行解（為人口數或染色体），及的遷移機率如下所示 =， (3) 在現時退火程序溫度，由前可行能移動到後解之機率的演算程序中所產生的一系列可行解 ，形成一Markov鏈。在大部份演算中，以人口數, 其演算步驟如下所示： 步驟一：輸入系統資料並設定初始溫度，最終溫度，擾動次數 及降溫係數，退火程序代數等。 步驟二：隨機擾動產生第的退火程序，其可行解為。 步驟三：退火程序代數加一，即，現時程序溫度為。 步驟四：由前一可行解，連續產生個差分擾動的可行解，即，，評估所有可行解的適合值，並找出其中最佳者為。 步驟五：依據機率登山搜尋法則，比較前次可行解與後次可行解，決定到目前為止的程序可行解。 步驟六：比較現時程序溫度是否小於等於最終溫度，如果：是，則輸出可行的解，此即最後所求的最佳解，並終止程序執行。否，則跳至步驟三，繼續下一退火程序的執行。 前解(父系解)經差分擾動產生後解(子系解)的機率，如式（3），它表示系統所有可能狀況的分佈為Boltzman分佈，的解出自於問題獨特啟發式(heuristic)的論據，假如解的能量為，而的解為，後解的能量與前解的能量差為, 以現行溫度為基礎，則可行解的搜尋，其遷移機率分佈，在古典為Boltzman分佈，如下所示 = (4) 其中：為波茲曼常數 機率登山搜尋法則演算法如下所示： 步驟一：將前後解作能量評估，以後解評估值為，而前解評估值為，評估之後，兩者能量值相減如下所示 =- (5) 步驟二：能量差，則後解取代前解為現時的可行解，同時結束執行演算法。，則跳至步驟三。 步驟三：產生一介於0與1間的隨機數，假如，則後解取代前解為現時的可行解，同時結束執行演算法。如果，則保留前解為現時的可行解，結束演算法。 上述機率登山搜尋法則演算法，說明在溫度 退火程序時，當後解的能量比前解低時，即 ，則往能量較低的地方搜尋；相反的，有一機率往能量高的地方移動，產生一個介於與 之間的隨機數，假如隨機數小於，則往能量高的地方搜尋；反之，則維持在能量低處，因此可避免陷入局部解。 結論 最佳化演算法，對許多學生而言是一門陌生的課程，建議先修習數值方法及研讀最佳化相關教科書後再行研究