模拟退火算法第三节.pptVIP

* 2.3　实现的技术问题(冷却进度表) 　模拟退火算法的渐近收敛性意味着：对多数组合优化问题来说，算法的执行过程只有进行无限多次变换后，才能返回一个整体最优解．因而作为最优化算法，模拟退火算法的执行过程不能囿于多项式时间，它是一种指数时间算法，因而无法应用于实际．　 　按理论要求，齐次算法要在每一个温度迭代无穷步以达到平稳分布，而非齐次算法要求温度下降的迭代次数是指数次．从应用的角度来看，在可接受的时间里得到满意的解就可以了，因此本节介绍的技术问题无法保证模拟退火算法得到全局最优解．应用这些技术的模拟退火算法还是一种启发式算法． 一．冷却进度表的一般概念 　定义：一个冷却进度表应当规定下述参数： １．控制参数t 的初值 t0 ；即初始温度的选取． ２．控制参数t 的衰减函数；即温度下降的规则． ３．马氏链的长度 Lk ；即每一温度马氏链的迭代长度． ４．控制参数t 的终值tf ．即停止准则． 二．冷却进度表的选取原则 　任一有效的冷却进度表都必须妥善解决两个问题：一是算法的收敛性问题．已经证明模拟退火算法在一定条件下的渐近收敛性．但这并不意味着任一冷却进度表都能确保算法收敛，不合理的冷却进度表会使算法在某些解间“振荡”而不能收敛于某一近似解．这个问题可以通过 tk，Lk 以及停止准则的合理选取加以解决． 　二是模拟退火算法的实验性能问题．算法的实 验性能一般用两个指标－平均情况下最终解的质 量和CPU时间－来衡量．模拟退火算法最终解的 质量与相应CPU时间呈反向关系，很难两全其美．实验性能问题的妥善解决只有一种方法：折衷，即在合理的CPU时间里尽量提高最终解的质量．这种抉择涉及冷却进度表所有参数的合理选取． 　冷却进度表可以根据经验法则（基于折衷原 则）或理论分析（基于准平衡概念）选取．经验 法则从合理的CPU时间出发，探索提高最终解质 量的途径，简单直观而有赖丰富的实践；理论分 析由最终解的质量入手，寻求缩减CPU时间的方 法，精细透彻却难免繁琐的推证．只有综合两者 的优势才能构造出高效的冷却进度表． 1.　控制参数初值 t0 的选取． （１）起始温度 t0 应保证平稳分布中每一状态的 概率相等．应让初始接受率 由Metropolis准则 可推知 t0 值很大．例如取 ?0 ? 0.9，则在 ?fij? 100时， t0 949． 　下面给出数值计算估计 t0 的方法．数值计算估计方法的基本思想是给出一个值 ?0 ( ?0接近1，如 ?0 ? 0.9 , 0.8 等)，对给定的初始温度 t0 用以下的算法： 初始温度数值计算算法 Step1　给定一个常量T; 初始温度 t0; ?0; R0= 0; k:=1; Step2　在该温度迭代 L步( L为一个给定的常 数)，分 Step3　当|Rk ??0|ε时，停止计算；否则，当Rk?1和 通过数值计算, 可以估计出温度t0 . 别记录模拟退火算法中接受和被拒绝的个数，计算接受的状态数同迭代步数 L的比率 Rk ； Rk ?0时，则k:=k+1，t0:= t0+T，返回step2；当Rk ?1和Rk ??0 时，则k:=k+1，t0:= t0 ?T，返回step2; 当Rk?1 ? ?0且Rk ? ?0时, 则k:=k+1, t0:= t0 +T/2, T:= T/2, 返回step2; 当Rk?1 ? ?0且Rk ? ?0时, 则k:=k+1, t0:= t0 ?T/2 , 返回step2. （２）由 可给出一个估计值为t0 =Kδ， K充分大的数，其中， 实际计算中，可以选 K=10,20,100…等实验值． 　对一些问题，有时可以简单地估计?，如对TSP的? 估计． 则可用?1替代?． 但有的时候，会出现? 比较难估计．此时，通常采用统计的方法估计费用函数的上下限． 假设?f(i)?i?D?是一个大样本空间, 且服从正态分布, 即?f(i)?i?D?的密度函数为 从状态空间D中随机选 n个独立样本?Xi ? i ?1,?,n? 样本均值统计量为 样本方差统计量为 则估计?的值为 （３）Aarts等人也提出了一个计算 t0的方法．他们的做法是：假定对控制参数的某个确定值 t 产生一个m 次变换的序列，并设m1和m2分别是其中目 则接受率 ? 可用下式近似： 只要将 ? 设定为初始接受率 ?0，就能求出相应的 t0值． 是m2次目标函数 标函数减小和增大的变换数， 增大变换的平均增量． 2.　齐次算法的温度下降方法 　为避免算法进程产生过长的马氏链，控制参数 tk 的衰减量以小为宜．我们可猜想在控制参数小 衰减量的情况下，两个相继值 tk 和tk?1 上的平稳 分布是相互逼近的．因此，如果在值tk 上已经达 到准平衡，则可以期望在tk 值衰减为tk?1 值后，可