模擬退火算法

1、1、  模擬退火算法（起源）模擬退火算法起源于物理退火。􀂄物理退火過程：（1）       加溫過程（2）       等溫過程（3）       冷卻過程                   

2、0;               物理退火原理􀂄1953年，Metropolis提出重要性采樣法，即以概率接受新狀態(tài)，稱Metropolis準則，計算量相對Monte Carlo方法顯著減少。􀂄 1983年，Kirkpatrick等提出模擬退火算法，并將其應用于組合優(yōu)化問題的求解。2、  模擬退火算法   􀂄 Metropolis準則1）  Metrop

3、olis準則提出    固體在恒定溫度下達到熱平衡的過程可以用MorteCarol算法方法加以模擬，雖然該方法簡單，但必須大量采樣才能得到比較精確的結(jié)果，因而計算量很大。鑒于物理系統(tǒng)傾向于能量較低的狀態(tài)，而熱運動又妨礙它準確落到最低態(tài)。采樣時著重選取那些有重要貢獻的狀態(tài)則可較快達到較好的結(jié)果。因此，Metropolis等在1953年提出了重要的采樣法，即以概率接受新狀態(tài)。2）  Metropolis準則     假設在狀態(tài)xold時，系統(tǒng)受到某種擾動而使其狀態(tài)變?yōu)閤new。與此相對應，系統(tǒng)的能量也從E(xold)變

4、成E(xnew)，系統(tǒng)由狀態(tài)xold變?yōu)闋顟B(tài)xnew的接受概率p：􀂄 模擬退火算法-步驟1) 隨機產(chǎn)生一個初始解x0，令xbest x0 ，并計算目標函數(shù)值E(x0);2) 設置初始溫度T(0)=To，迭代次數(shù)i = 1;3) Do while T(i) > Tmin1) for j = 1k2) 對當前最優(yōu)解xbest按照某一鄰域函數(shù)，產(chǎn)生一新的解xnew。計算新的目標函數(shù)值E(xnew) ，并計算目標函數(shù)值的增量E = E(xnew) - E(xbest) 。3) 如果E 0，則xbest = xnew；4) 如果E 0，則p = exp(- E /T(i);1)

5、如果c = random0,1 < p， xbest = xnew; 否則xbest = xbest。5) End for4) i = i 1；5) End Do6) 輸出當前最優(yōu)點，計算結(jié)束  下圖為模擬退火算法流程圖：                             &#

6、160; 􀂄 模擬退火算法-參數(shù)的選擇   􀂄冷卻進度表    我們稱調(diào)整模擬退火法的一系列重要參數(shù)為冷卻進度表。它控制參數(shù)T的初值及其衰減函數(shù)，對應的MARKOV鏈長度和停止條件，非常重要。一個冷卻進度表應當規(guī)定下述參數(shù)：    1控制參數(shù)t的初值t0;2控制參數(shù)t的衰減函數(shù)；3馬爾可夫鏈的長度Lk。（即每一次隨機游走過程，要迭代多少次，才能趨于一個準平衡分布，即一個局部收斂解位置）4結(jié)束條件的選擇有效的冷卻進度表判據(jù)：一算法的收斂：主要取決于衰減函數(shù)和馬可夫鏈的長度

7、及停止準則的選擇二算法的實驗性能：最終解的質(zhì)量和CPU的時間   􀂄參數(shù)的選取：一）控制參數(shù)初值T0的選取一般要求初始值t0的值要充分大，即一開始即處于高溫狀態(tài)，且Metropolis的接收率約為1。(1) 均勻抽樣一組狀態(tài)，以各狀態(tài)目標值的方差為初溫。(2) 隨機產(chǎn)生一組狀態(tài)，確定兩兩狀態(tài)間的最大目標值差|max|，然后依據(jù)差值，利用一定的函數(shù)確定初溫。比如，t0=max/pr ，其中pr為初始接受概率。二）衰減函數(shù)的選取衰減函數(shù)用于控制溫度的退火速度，一個常用的函數(shù)為：T(n + 1) = K*T(n)，其中K是一個非常接近于1的常數(shù)。三）馬可夫鏈長度

8、L的選取原則是：在衰減參數(shù)T的衰減函數(shù)已選定的前提下，L應選得在控制參數(shù)的每一取值上都能恢復準平衡。四）終止條件有很多種終止條件的選擇，各種不同的條件對算法的性能和解的質(zhì)量有很大影響，我們只介紹一個常用的終止條件。即上一個最優(yōu)解與最新的一個最優(yōu)解的之差小于某個容差，即可停止此次馬爾可夫鏈的迭代。   3、模擬退火算法的優(yōu)缺點   優(yōu)點：計算過程簡單，通用，魯棒性強，適用于并行處理，可用于求解復雜的非線性優(yōu)化問題缺點：收斂速度慢，執(zhí)行時間長，算法性能與初始值有關及參數(shù)敏感等缺點經(jīng)典模擬退火算法的缺點：1)如果降溫過程足夠緩慢，多得到的解的性能會比

9、較好，但與此相對的是收斂速度太慢;(2)如果降溫過程過快，很可能得不到全局最優(yōu)解。􀂄 模擬退火算法的改進(1) 設計合適的狀態(tài)產(chǎn)生函數(shù)，使其根據(jù)搜索進程的需要表現(xiàn)出狀態(tài)的全空間分散性或局部區(qū)域性。(2) 設計高效的退火策略。(3) 避免狀態(tài)的迂回搜索。(4) 采用并行搜索結(jié)構(gòu)。(5) 為避免陷入局部極小，改進對溫度的控制方式(6) 選擇合適的初始狀態(tài)。(7) 設計合適的算法終止準則。也可通過增加某些環(huán)節(jié)而實現(xiàn)對模擬退火算法的改進。主要的改進方式包括：(1) 增加升溫或重升溫過程。在算法進程的適當時機，將溫度適當提高，從而可激活各狀態(tài)的接受概率，以調(diào)整搜索進程中的當前狀態(tài)，避免算法在局部極小解處停滯不前。(2) 增加記憶功能。為避免搜索過程中由于執(zhí)行概率接受環(huán)節(jié)而遺失當前遇到的最優(yōu)解，可通過增加存儲環(huán)節(jié)，將一些在這之前好的態(tài)記憶下來。(3) 增加補充搜索過程。即在退火過程結(jié)束后，以搜索到的最優(yōu)解為初始狀態(tài)，再次執(zhí)行模擬退火過程或局部性搜索。(4) 對每一當前狀態(tài)，采用多次搜索策略，以概率接受區(qū)域內(nèi)的最優(yōu)狀態(tài)，而非標準SA的單次比較方式。(5) 結(jié)