数学建模模拟退火算法.pptVIP

3.4 模拟退火算法的改进 智能优化计算 浙江大学 改进的思路 （1）记录“Best so far”状态，并即时更新； （2）设置双阈值，使得在尽量保持最优性的前提下减少计算量，即在各温度下当前状态连续 m1 步保持不变则认为Metropolis抽样稳定，若连续 m2 次退温过程中所得最优解不变则认为算法收敛。 3.4.3 一种改进的模拟退火算法 3.4 模拟退火算法的改进 智能优化计算 浙江大学 改进的退火过程 （1）给定初温t0，随机产生初始状态s，令初始最优解s*=s，当前状态为s(0)=s，i=p=0； （2）令t=ti，以t，s*和s(i)调用改进的抽样过程，返回其所得最优解s*’和当前状态s’(k)，令当前状态s(i)=s’(k)； （3）判断C(s*)C(s*’)? 若是，则令p=p+1；否则，令s*=s*’，p=0； （4）退温ti+1=update(ti)，令i=i+1； （5）判断pm2? 若是，则转第(6)步；否则，返回第(2)步； （6）以最优解s*作为最终解输出，停止算法。 3.4.3 一种改进的模拟退火算法 3.4 模拟退火算法的改进 智能优化计算 浙江大学 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 浙江大学 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 浙江大学 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 浙江大学 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） 3.5 模拟退火算法的实现与应用 智能优化计算 浙江大学 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。 3.5.1 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 3.5 模拟退火算法的实现与应用 智能优化计算 浙江大学 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; 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 浙江大学 运行过程