8-3 模拟退火算法.pdf

模拟退火算法 1982年Kirkpatrick将固体退火过程应用于组合优化问 题的求解，提出一种有效的近似算法，称为模拟退 火算法。 模拟退火算法从初始解i = i 开始，在当前 0 解i的邻域S 中按照Metropolis准则搜索新解 i j 以取代当前解i。这个过程不断进行下去， 直到达到目标函数最优。 固体退火过程 退火是固体由高温下粒子排列的无序的液态冷却而凝 固成粒子排列有序的固体晶态的过程。 退火是系统的熵不断减小，能量趋于最小值的过程。 它遵循热力学中的自由能减少定律： F E Ts 其中F、E和S分别表示自由能、能量和熵。 系统从非平衡态自发变化到平衡态，都是能量和熵竞 争的结果，温度决定二者孰重。 Metropolis接受准则 设i是一个状态，j是由i可得到的一个新状态。它们的 能量分别为E 和E 。 i j 若E ＜E ，则状态j 可以取代状态i。 j i 否则固体处于状态i和状态j 的几率为 其中k是Boltzmann常数，T为绝对温度，r ＜1。 设  是(0, 1)中的随机数，若r ＞ ，则状态j 可以取代 状态i。 模拟退火算法的框架 k = 0; i = i ; t = t ; //初始化 0 0 while (不满足停止准则) { Gen(S ); //产生i的邻域S ，|S |=L i i i k for (j ∈S ) //用Metropolis准则对S 中的 i i if (f(i) f(j)) i = j; //每个状态j检测是否可替代i else if (exp((f(i) – f(j))/ t) random(0, 1)) i = j; k = k + 1; t = t ; // 降温；进入下一轮迭代 k } 算法的性能 算法可以渐进地收敛于整体最优解。 Metropolis准则给算法引入了随机性，使算法进程方 向呈现跳跃性，从而可能避开局部最优，但不能完 全避开局部收敛。 最终解不依赖于初始解。 温度t和|S |(即L )决定算法的收敛速度。 i k 算法的复杂性为O(kLP(n)) ，其中k为迭代次数， L=max{|S |}，P(n)是问题规模n的多项式函数。求高 i 质量的近似解的耗费也较高。 模拟退火算法的应用 应用模拟退火算法的工作如下： (1)确定解问题、能量函数和初始解：解空间是所有 可行解的集合；能量函数是优化目标的数学描述； 初始解是开始计算的起点。 (2)新解的产生和接受准则：从当前解产生新解；用 Metropolis准则判断新解是否可替代当前解；然后用 新解/当前解进行下一轮实验。 (3)冷却进度表及其它参数：L 由新解来确定，冷却 k 温度t 用冷却进度表或衰减函数给出。 k 用模拟退火算法解TSP 解空间为所有的排列，初始解为1, 2,…, n 。 能量函数f为发、该排列的周游路线长度。即 n f(d d …d ) = min{∑d d + d d } i1 i2 in ik ik+1 in i1 k=1 产生