模拟退火算法ppt课件

.
11
流 程 图
.
12
5、SA算法应用范围与一般要求
SA算法是近年来备受重视的一类软计算方法，能解决传统的非线性 规划方法难于解决的某些问题，在VLSI、生成调度、控制工程、机器学 习、神经网络、图像处理、函数优化等许多领域得到广泛的研究。
SA算法的应用需满足如下三个方面的要求： （1）对问题的简明形式的描述即数学模型，由解空间、目标函数和 初始解三部分构成； （2）新解的产生和接受机制； （3）冷却进度表。
新的目标函数值E(xnew) ，并计算目标函数值的增量ΔE = E(xnew) - E(xbest) 。
.
10
3) 如果ΔE ＜0，则xbest = xnew； 4) 如果ΔE ＞0，则p = exp(- ΔE /T(i));
1) 如果c = random[0,1] < p， xbest = xnew; 否则xbest = xbest。 5) End for 4) i = i ＋ 1； 5) End Do 6) 输出当前最优点，计算结束。
.
4
2、SA算法的起源
SA算法起源于对固体退火过程的模拟。简单而言，在固体退火时， 先将固体加热使其温度充分高，再让其徐徐冷却，其物理退火过程由 以下三部分组成：加温过程、等温过程、冷却过程。
.
5
SA算法就是模仿上述物理系统徐徐退火过程的一种通用随机搜索技术。 模拟退火算法与物理退火过程的相似关系
.
6
3、SA算法的基本思想
在搜索最优解的过程中，SA算法除了可以接受优化解外，还基 于随机接受准则（Metropolis准则）有限度地接受恶化解，并且接 受恶化解的概率慢慢趋向于0。（这使得算法有可能从局部最优中 跳出，尽可能找到全局最优解，并保证了算法的收敛）
SA的思想最早是由Metropolis等在1953年提出的，Metropolis 等 提出了重要性采样法，即以概率接受新状态。
.
9
4、SA算法的基本步骤
1) 随机产生一个初始解x0，令xbest＝ x0并计算目标函数值E(x0); 2) 设置初始温度T(0)=To，迭代次数i = 1; 3) Do while T(i) > Tmin
1) for j = 1~k 2) 对当前最优解xbest按照某一邻域函数，产生一新的解xnew。计算
模拟退火算法
（Simulated Annealing）
.
1
1、引子 2、SA算法的起源 3、SA算法的基本思想 4、SA算法的步骤 5、SA算法应用范围与一般要求 6、SA算法的优缺点
.
2
1、引子
在科学与工程计算中，经常发生的一个问题是在Rn中或 者是在一个有界区域上求某个非线性函数f(x)的极小点。在f(x)可 导时，一个最基本的算法就是最速下降法。这一方法从某一选定 的初值开始，利用如下公式进行迭代，即
xn1xnn f(xn)
.
3
然而以速降法为代表的传统算法具有共同的缺点，它们都不 保证求得全局极小，只能保证收敛到一个由初值决定的局部极小 点。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。
.
14
5、SA算法应用范围与一般要求
初始温度T0的设定： 实验表明，初温越大，获得高质量解的几率越大，但花费的计算时 间将增加。因此，初温的确定应折衷考虑优化质量和优化效率，常用方 法包括： (1) 均匀抽样一组状态，以各状态目标值的方差为初温。 (2) 随机产生一组状态，确定两两状态间的最大目标值差|Δmax|，然 后依据差值，利用一定的函数确定初温。比如，t0=－Δmax/pr，其中pr为初 始接受概率。 (3) 利用经验公式给出。
.
15
5、SA算法应用范围与一般要求
算法终止准则，常用的包括： 1. (1) 设置终止温度的阈值；
(2) 设置外循环迭代次数； (3) 算法搜索到的最优值连续若干步保持不变； (4) 检验系统熵是否稳定。
Βιβλιοθήκη Baidu
.
16
6、SA算法的优缺点
与同类方法相比，SA算法具有以下优缺点： 优点：高效，灵活，通用，初值鲁棒性强，适用于并行处理，可用 于求解复杂的非线性优化问题。
.
13
5、SA算法应用范围与一般要求
冷却进度表是指从某一高温状态T0向低温状态冷却时的降温管理表。
假设时刻t的温度用T(t)来表示，则经典模拟退火算法的降温方式为： T(t) T0 lg(1t)
而快速模拟退火算法的降温方式为： T (t) T0 1 t
这两种方式都能够使得模拟退火算法收敛于全局最小点。
缺点：由于要求较高的初始温度、较慢的降温速率、较低的终止温 度，以及各温度下足够多次的抽样，因此其收敛速度慢，执行时间长， 算法性能与初始值有关及参数敏感等缺点。
.
17
.
18
.
7
SA算法的思想为： ➢ 由初始解i和控制参数初值t开始，对当前解重复
产生新解 →计算目标函数差 →接受或舍弃
的迭代， ➢ 并逐步衰减t值， ➢ 算法终止时的当前解即为所得近似最优解， ➢ 这是基于蒙特卡罗迭代求解法的一种启发式随机搜索过程。
.
8
SA算法与其它搜索方法相比，具有如下的特点： ➢ 以一定的概率接受恶化解； ➢ 引进算法控制参数； ➢使用对象函数值进行搜索； ➢ 隐含并行性； ➢搜索复杂区域。