模拟退火算法分析

最后更新于:2022-04-01 16:06:36

## 一. 爬山算法 ( Hill Climbing )          介绍模拟退火前,先介绍爬山算法。爬山算法是一种简单的贪心搜索算法,该算法每次从当前解的临近解空间中选择一个最优解作为当前解,直到达到一个局部最优解。          爬山算法实现很简单,其主要缺点是会陷入局部最优解,而不一定能搜索到全局最优解。如图1所示:假设C点为当前解,爬山算法搜索到A点这个局部最优解就会停止搜索,因为在A点无论向那个方向小幅度移动都不能得到更优的解。 ![](https://docs.gechiui.com/gc-content/uploads/sites/kancloud/2016-07-25_5795bdc00b891.png) 图1    这题是poj2420,原作者认为是模拟退火,但是并不具备模拟退火的概率事件特点,因此我认为是爬山算法,并借此加入 ~~~ <span style="font-size:18px;">#include <iostream> #include <cmath> using namespace std; struct point { double x,y; }p[105]; int dir[8][2] = {-1,-1,-1,0,-1,1,0,-1,0,1,1,-1,1,0,1,1}; double getdis(point a, point b) { return sqrt((a.x-b.x)*(a.x-b.x) + (a.y-b.y)*(a.y-b.y)); } double allDis(int n , point f) { double sum = 0; for(int i = 0 ; i < n ; i++) sum += getdis(p[i],f); return sum; } point fermat(int n) { double step = 0; for (int i = 0 ; i < n ; i++) step += fabs(p[i].x) + fabs(p[i].y); point f; f.x = 0; f.y = 0; for (int i = 0 ; i < n ; i++) f.x += p[i].x , f.y +=p[i].y; f.x /= n; f.y /= n; point t; while(step > 1e-10) { for (int i = 0 ; i < 8 ; i++) { t.x = f.x + dir[i][0]*step; t.y = f.y + dir[i][1]*step; if(allDis(n,t) < allDis(n,f)) f = t; } step *=0.7; //步长改动 } return f; } int main(void) { int n; while (cin >> n) { for(int i=0; i<n; i++) cin >> p[i].x >> p[i].y; double ans = allDis(n, fermat(n)); int t = ans*10; if (t%10 < 5) cout << t/10 << endl; else cout << t/10+1 << endl; } return 0; }</span> ~~~ ## 二. 模拟退火(SA,Simulated Annealing)思想          爬山法是完完全全的贪心法,每次都鼠目寸光的选择一个当前最优解,因此只能搜索到局部的最优值。模拟退火其实也是一种贪心算法,但是它的搜索过程引入了随机因素。模拟退火算法以一定的概率来接受一个比当前解要差的解,因此有可能会跳出这个局部的最优解,达到全局的最优解。以图1为例,模拟退火算法在搜索到局部最优解A后,会以一定的概率接受到E的移动。也许经过几次这样的不是局部最优的移动后会到达D点,于是就跳出了局部最大值A。          模拟退火算法描述:          若J( Y(i+1) )>= J( Y(i) )  (即移动后得到更优解),则总是接受该移动          若J( Y(i+1) )< J( Y(i) )  (即移动后的解比当前解要差),则以一定的概率接受移动,而且这个概率随着时间推移逐渐降低(逐渐降低才能趋向稳定)   这里的“一定的概率”的计算参考了金属冶炼的退火过程,这也是模拟退火算法名称的由来。   根据热力学的原理,在温度为T时,出现能量差为dE的降温的概率为P(dE),表示为:     P(dE) = exp( dE/(kT) )   其中k是一个常数,exp表示自然指数,且dE<0。这条公式说白了就是:温度越高,出现一次能量差为dE的降温的概率就越大;温度越低,则出现降温的概率就越小。又由于dE总是小于0(否则就不叫退火了),因此dE/kT < 0 ,所以P(dE)的函数取值范围是(0,1) 。   随着温度T的降低,P(dE)会逐渐降低。   我们将一次向较差解的移动看做一次温度跳变过程,我们以概率P(dE)来接受这样的移动。   关于爬山算法与模拟退火,有一个有趣的比喻:   爬山算法:兔子朝着比现在高的地方跳去。它找到了不远处的最高山峰。但是这座山不一定是珠穆朗玛峰。这就是爬山算法,它不能保证局部最优值就是全局最优值。   模拟退火:兔子喝醉了。它随机地跳了很长时间。这期间,它可能走向高处,也可能踏入平地。但是,它渐渐清醒了并朝最高方向跳去。这就是模拟退火。   下面给出模拟退火的伪代码表示。   ## 三. 模拟退火算法伪代码 ~~~ /* * J(y):在状态y时的评价函数值 * Y(i):表示当前状态 * Y(i+1):表示新的状态 * r: 用于控制降温的快慢 * T: 系统的温度,系统初始应该要处于一个高温的状态 * T_min :温度的下限,若温度T达到T_min,则停止搜索 */ while( T > T_min ) {   dE = J( Y(i+1) ) - J( Y(i) ) ;   if ( dE >=0 ) //表达移动后得到更优解,则总是接受移动 Y(i+1) = Y(i) ; //接受从Y(i)到Y(i+1)的移动   else   { // 函数exp( dE/T )的取值范围是(0,1) ,dE/T越大,则exp( dE/T )也 if ( exp( dE/T ) > random( 0 , 1 ) ) Y(i+1) = Y(i) ; //接受从Y(i)到Y(i+1)的移动   }   T = r * T ; //降温退火 ,0<r<1 。r越大,降温越慢;r越小,降温越快   /*   * 若r过大,则搜索到全局最优解的可能会较高,但搜索的过程也就较长。若r过小,则搜索的过程会很快,但最终可能会达到一个局部最优值   */   i ++ ; } ~~~ hdu 5017 Ellipsoid 这是我第一次接触模拟退火,是2014年西安网络赛的题目 当时想着用计算几何和解析几何做,后来学长说用模拟退火可以做 ~~~ #include <cstdio> #include <iostream> #include <cmath> #include <algorithm> using namespace std; const double EPS = 1e-9; const double INF = 1e18; const double dx[8] = {1.0, 1.0, 0.0, -1.0, -1.0, -1.0, 0.0, 1.0}; const double dy[8] = {0.0, 1.0, 1.0, 1.0, 0.0, -1.0, -1.0, -1.0}; double a, b, c, d, e, f; double dis(double x, double y, double z){ return sqrt(x*x + y*y + z*z); } double getZ(double x, double y){ double A = c, B = d*y + e*x, C = a*x*x + b*y*y + f*x*y - 1.0; double delta = B*B - 4.0*A*C; if(delta < 0.0) return INF; double z1 = (-B + sqrt(delta)) / (2.0 * A); double z2 = (-B - sqrt(delta)) / (2.0 * A); return z1*z1 < z2*z2 ? z1 : z2; } void work(){ double x = 0.0, y = 0.0, z = getZ(x, y); double step = 0.8; while(step > EPS){ for(int i=0; i<8; i++){ double nx = x + dx[i]*step; double ny = y + dy[i]*step; double nz = getZ(nx, ny); if(nz >= INF) continue; if(dis(nx, ny, nz) - dis(x, y, z) < 0.0){ x = nx, y = ny, z = nz; } } step *= 0.99; } printf("%.7f\n", dis(x, y, z)); } int main(){ while(scanf("%lf%lf%lf%lf%lf%lf", &a, &b, &c, &d, &e, &f) == 6){ work(); } return 0; } ~~~ ## 四. 使用模拟退火算法解决旅行商问题   旅行商问题 ( TSP , Traveling Salesman Problem ) :有N个城市,要求从其中某个问题出发,唯一遍历所有城市,再回到出发的城市,求最短的路线。   旅行商问题属于所谓的NP完全问题,精确的解决TSP只能通过穷举所有的路径组合,其时间复杂度是O(N!) 。   使用模拟退火算法可以比较快的求出TSP的一条近似最优路径。(使用遗传算法也是可以的,我将在下一篇文章中介绍)模拟退火解决TSP的思路: 1. 产生一条新的遍历路径P(i+1),计算路径P(i+1)的长度L( P(i+1) ) 2. 若L(P(i+1)) < L(P(i)),则接受P(i+1)为新的路径,否则以模拟退火的那个概率接受P(i+1) ,然后降温 3. 重复步骤1,2直到满足退出条件  产生新的遍历路径的方法有很多,下面列举其中3种: 1. 随机选择2个节点,交换路径中的这2个节点的顺序。 2. 随机选择2个节点,将路径中这2个节点间的节点顺序逆转。 3. 随机选择3个节点m,n,k,然后将节点m与n间的节点移位到节点k后面。   ## 五. 算法评价         模拟退火算法是一种随机算法,并不一定能找到全局的最优解,可以比较快的找到问题的近似最优解。 如果参数设置得当,模拟退火算法搜索效率比穷举法要高。
';