Python 模拟退火算法
模拟退火算法借鉴了统计物理学的思想,是一种简单、通用的启发式优化算法,并在理论上具有概率性全局优化性能,因而在科研和工程中得到了广泛的应用。
退火是金属从熔融状态缓慢冷却、最终达到能量最低的平衡态的过程。模拟退火算法基于优化问题求解过程与金属退火过程的相似性,以优化目标为能量函数,以解空间为状态空间,以随机扰动模拟粒子的热运动来求解优化问题。
模拟退火算法结构简单,由温度更新函数、状态产生函数、状态接受函数和内循环、外循环终止准则构成。
温度更新函数是指退火温度缓慢降低的实现方案,也称冷却进度表;
状态产生函数是指由当前解随机产生新的候选解的方法;
状态接受函数是指接受候选解的机制,通常采用Metropolis准则;
外循环是由冷却进度表控制的温度循环;
内循环是在每一温度下循环迭代产生新解的次数,也称Markov链长度。
模拟退火算法的基本流程如下:
- 初始化:初始温度T,初始解状态s,迭代次数L;
- 对每个温度状态,重复 L次循环产生和概率性接受新解:
- 通过变换操作由当前解s 产生新解s′;
- 计算能量差 ∆E,即新解的目标函数与原有解的目标函数的差;
- 若∆E <0则接受s′作为新的当前解,否则以概率exp(-∆E/T) 接受s′ 作为新的当前解;
- 在每个温度状态完成 L次内循环后,降低温度 T,直到达到终止温度。
多变量函数优化问题
选取经典的函数优化问题和组合优化问题作为测试案例。
问题 1:Schwefel 测试函数,是复杂的多峰函数,具有大量局部极值区域。
本文取 d=10, x=[-500,500],函数在 X=(420.9687,...420.9687)处为全局最小值 f(X)=0.0。
使用模拟退火算法的基本方案:控制温度按照 T(k) = a * T(k-1) 指数衰减,衰减系数取 a;如式(1)按照 Metropolis 准则接受新解。对于问题 1(Schwefel函数),通过对当前解的一个自变量施加正态分布的随机扰动产生新解。
部分模拟退火算法 Python 程序
# 模拟退火算法 程序:多变量连续函数优化
# Program: SimulatedAnnealing_v1.py
# Purpose: Simulated annealing algorithm for function optimization
# v1.0:
# (1) 基本算法:单变量连续函数优化问题
# (2) 文件输出优化结果和中间过程数据
# (3) 设置指标参数计数器
# (4) 图形输出坏解接受概率# -*- coding: utf-8 -*-
import math # 导入模块
import random # 导入模块
import pandas as pd # 导入模块 YouCans, XUPT
import numpy as np # 导入模块 numpy, 并简写成 np
import matplotlib.pyplot as plt # 导入模块 matplotlib.pyplot, 并简写成 plt
from datetime import datetime# 子程序:定义优化问题的目标函数
def cal_Energy(X, nVar):# 测试函数 1:Schwefel 测试函数# -500 <= Xi <= 500# 全局极值:(420.9687,420.9687,...),f(x)=0.0sum = 0.0for i in range(nVar):sum += X[i] * np.sin(np.sqrt(abs(X[i])))fx = 418.9829 * nVar - sumreturn fx# 子程序:模拟退火算法的参数设置
def ParameterSetting():cName = "funcOpt" # 定义问题名称nVar = 2 # 给定自变量数量,y=f(x1,..xn)xMin = [-500, -500] # 给定搜索空间的下限,x1_min,..xn_minxMax = [500, 500] # 给定搜索空间的上限,x1_max,..xn_maxtInitial = 100.0 # 设定初始退火温度(initial temperature)tFinal = 1 # 设定终止退火温度(stop temperature)alfa = 0.98 # 设定降温参数,T(k)=alfa*T(k-1)meanMarkov = 100 # Markov链长度,也即内循环运行次数scale = 0.5 # 定义搜索步长,可以设为固定值或逐渐缩小return cName, nVar, xMin, xMax, tInitial, tFinal, alfa, meanMarkov, scale# 模拟退火算法
def OptimizationSSA(nVar,xMin,xMax,tInitial,tFinal,alfa,meanMarkov,scale):
……
两种写法思路,最全备注,第二种个人感觉上理解起来稍容易一点: 第一种: import numpy as np import matplotlib.pyplot as plt import pdb# 解 ... 简述 代码我是基于我之前写的两篇,一篇是遗传算法TSP的Python实现,一篇是模拟退火算法的解决TSP的C++实现. 模拟退火算法理论+Python解决函数极值+C++实现解决TSP问题 遗传算法解 ... 简述 算法设计课这周的作业: 赶紧写了先,不然搞不完了. 文章目录 简述 算法理论部分 变量简单分析 从状态转移概率到状态概率 推导 理解当温度收敛到接近0的时候,收敛到结果 理论部分的后记 pyth ... 1.旅行商问题(Travelling salesman problem, TSP) 旅行商问题是经典的组合优化问题,要求找到遍历所有城市且每个城市只访问一次的最短旅行路线,即对给定的正权完全图求其总权 ... 1.整数规划问题 整数规划问题在工业.经济.国防.医疗等各行各业应用十分广泛,是指规划中的变量(全部或部分)限制为整数,属于离散优化问题(Discrete Optimization). 线性规划问题的 ... 1.最优化与线性规划 最优化问题的三要素是决策变量.目标函数和约束条件. 线性规划(Linear programming),是研究线性约束条件下线性目标函数的极值问题的优化方法,常用于解决利用现有的资 ... 1.模拟退火算法 模拟退火算法借鉴了统计物理学的思想,是一种简单.通用的启发式优化算法,并在理论上具有概率性全局优化性能,因而在科研和工程中得到了广泛的应用. 退火是金属从熔融状态缓慢冷却.最终达到能 ... 文章目录 前言 如何评价一个解? 通过计算出的冲突来找它的邻居解 数据的格式 局部搜索 概述 补充 代码 模拟退火 概述 补充 代码 总结以及不足之处 前言 这两种算法就不详细介绍了,流程思路比较简单 ... https://blog.csdn.net/Trisyp/article/details/104953406 抽象来源:美国物理学家Metropolis等人在1953年发表研究复杂系统,计算其中能量分 ...Python 模拟退火算法相关推荐
最新文章
热门文章