《人工智能及其应用》课堂报告—模拟退火算法.pptVIP

《人工智能及其应用》课堂报告—模拟退火算法问题：大学养了一批兔子，现开展兔子环游我国各省会34个城市的比赛。为找最短路径，各个学院的兔子们开始想办法。*商学院的兔子精于计算当前利益，都朝着比现在路径近的路上跳去。他们找到了最近几个城市的最短路径。但是这条路径不一定是全局的最短路径。这就是局部搜索，但它不能保证局部最优值就是全局最优值。医学院的兔子们本身不知道该往哪走。但若一定时间内兔子未完成环游就会被消灭，而找到近路的兔子则会有机会繁殖，多产的兔子们自己就会找到近路。这就是遗传算法。然而如何使优良个体得以保留，又要维持群体的多样性以免过早陷入局部搜索，一直是遗传算法中存在的问题。马克思学院的兔子们知道一只兔子的力量是渺小的。它们互相转告着，哪条路已经走过，并且走过的每一条路他们都留下一只兔子，在近路上汇聚越来越多的兔子。这就是蚁群搜索。然而人海战术导致计算量过大。而信息院的兔子们最后选择既能规避陷入局部最优，又有趋向最优收敛，计算量还逐步减小的算法--模拟退火法。*模拟退火算法（SimulatedAnnealing，SA）

模拟退火算法的依据是固体物质退火过程和组合优化问题之间的相似性。物质在加热的时候，粒子间的布朗运动增强，到达一定强度后，固体物质转化为液态，这个时候再进行退火，粒子热运动减弱，并