模拟退火算法自学材料.pptVIP

智能优化计算 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。 模拟退火算法的缺点 由于要求较高的初始温度、较慢的降温速率、较低的终止温度，以及各温度下足够多次的抽样，因此优化过程较长。 模拟退火算法的优缺点 模拟退火算法的实现与应用 智能优化计算 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 智能优化计算 算法流程 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); 30城市TSP问题（d*=423.741 by D B Fogel） 模拟退火算法的实现与应用 智能优化计算 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。 30城市TSP问题（d*=423.741 by D B Fogel） 2 8 3 5 9 1 4 6 7 2 8 3 5 9 1 4 6 7 2 8 3 5 9 1 4 6 7 2 8 1 5 9 3 4 6 7 2 8 3 4 1 9 5 6 7 2 3 5 9 8 1 4 6 7 模拟退火算法的实现与应用 智能优化计算 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; 30城市TSP问题（d*=423.741 by D B Fogel） 模拟退火算法的实现与应用 智能优化计算 运行过程 30城市TSP问题（d*=423.741 by D B Fogel） 模拟退火算法的实现与应用 智能优化计算 运行过程 30城市TSP问题（d*=423.741 by D B Fogel） 模拟退火算法的实现与应用 智能优化计算 运行过程 30城市TSP问题（d*=423.741 by D B Fogel） 模拟退火算法的实现与应用 智能优化计算 运行过程 30城市TSP问题（d*=423.741 by D B Fogel） 模拟退火算法的实现与应用 智能优化计算 运行过程 30城市TSP问题（d*=423.741 by D B Fogel） 模拟退火算法的实现与应用 智能优化计算 运行结果 30城市TSP问题（d*=423.741 by D B Fogel） 模拟退火算法的改进 智能优化计算 改进的可行方案 （1）设计合适的状态产生函数； （2）设计高效的退火历程； （3）避免状态的迂回搜索； （4）采用并行搜索结构； （5）避免陷入局部极小，改进对温度的控制方式； （6）选择合适的初始状态； （7）设计合适的算法终止准则。 改进内容 模拟退火算法的改进 智能优化计算 改进的方式 （1）增加升温或重升温过程，避免陷入局部极小； （2）增加记忆功能（记忆“Best so far”状态）； （3）增加补充搜索过程（以最优结果为初始解）； （4）对每一当前状态，采用多次搜索策略，以概率接受区域内的最优状态； （5）结合其它搜索机制的算法； （6）上述各方法的综合。 改进内容 模拟退火算法的改进 智能优化计算 改进的思路 （1）记录“Best so far”状态，并即时更新； （