模拟退火算法第一节.pptVIP

（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，可能只需进行少量的变换就足以恢复tk?1 值上的准平衡．这样就可以选取较短长度的马氏链来缩减CPU时间． 　控制参数小衰减量还可能导致算法进程迭代次数的增加，因而可以期望算法进程接受更多的变换，访问更多的邻域，搜索更大范围的解空间，返回更高质的最终解，当然也花费更多的CPU时间．实验结果表明，只要衰减函数选得恰当，就能在不影响CPU时间合理性的前提下，较大幅度地提高最终解的质量．此外，如上所述，在控制参数小衰减量的情况中，可以选取短马氏链缩减CPU时间． 　模拟退火(simulated annealing)算法是局部搜索算法的扩展．它源于对固体退火过程的模拟;采用Metropolis接受准则；并用一组称为冷却进度表的参数控制算法进程，使算法在多项式时间里给出一个近似最优解． 　模拟退火算法最早的思想由Metropolis在1953年提出，Kirkpatrick在1983年成功地应用在组合最优化问题中． 第2章　模拟退火算法 一　固体退火过程 　退火是一种物理过程，固体退火是先将固体加热至熔化，再徐徐冷却使之凝固成规整晶体的热力学过程． 　退火过程中，系统在每一温度下达到平衡态，系统状态的分布满足一定的概率分布，即在温度 T，系统达到平衡态后，分子停留在状态 r 满足波兹曼(Boltzmann)概率分布 　模拟退火算法及模型 其中，E(r)为状态 r 的能量，kB ?0为波兹曼常数， 为分子能量的一个随机变量， 称为波兹曼因子．Z(T)为概率分布的标准化因子， 　先研究由(2.1)确定的函数随 T 变化的趋势．选定两个能量 E1 E2，在同一个温度 T ，有 D 为状态空间． 　在同一个温度，(2.2)表示分子停留在能量小状态的概率比停留在能量大状态的概率要大．当温度相当高时，(2.1)的概率分布使得每个状态的概率基本相同，接近平均值1??D?，?D?为状态空间 D 中状态的个数．此时，具有最低能量状态的波兹曼概率接近并超出平均值1??D?． 当 rmin 是 D中具有最低能量的状态时，得 由 所以， 关于温度 T是单调下降的．又有 其中，D0是具有最低能量的状态集合， 因此得到，当 T 趋向于 0 时， 当温度趋向于 0时，(2.1)决定的概率渐近 由此可以得到，在温度趋向于 0时，分子停留在最低能量状态的概率趋向1．综合上面的讨论，分子在最低能量状态的概率变化趋势由图(a)表示． 对于非能量最小的状态，由(2.2)和分子在能量最小状态的概率是单调减小的事实，在温度较高时，分子在 这些状态的概率在 附近，依赖于状态的不同， 使(2.1)决定的概率在(0 ,t)是单调升的；再由(2.4)可知，当温度趋于 0时，(2.1)定义的概率趋于 0．概率变化曲线见图(b)． 可能超过 由(2.3)和(2.4)可知存在一个温度t， 　从上面的讨论得到，在温度很低时，能量越低的状态的概率值越高，在极限状况，只有能量最低的点概率不为０．即有 1. 系统在 T 平衡时，系统状态的概率分布趋于)式， 0.002 0.016 0.117 0.865 t=0.5 0.181 0.221 0.269 0.325 t=5 0.232 0.243 0.256 0.269 t=20 例2.1　简化概率分布(2.1)为 其中q(t)为标准化因子．设共有四个能量点x=1, 2, 3, 4, 在此 观察 t = 20, 5, 0.5, 三个温度点概 率分布变化． 二． Metropolis准则 　固体在恒定温度下达到热平衡的过程可以进行模拟． 　1953年，Metropolis等提出重要性采样法．他们用下述方法产生固体的状态序列： 　先给定以粒子相对位置表征的初始状态 i，作为固体的当前状态，该状态的能量是 Ei ．然后用摄动装置使随机选取的某个粒子的位移随机地产生一微小变化，得到一个新状态 j，新状态的能量是Ej ．如Ej Ei ，则该新状态就作为重要状态．如Ej Ei ，则考虑热运动的影响，该新状态是否重要状态，要依据固体处于该状态的几率来 判断．