模拟退火算法PPT课件

.,1,模拟退火算法,（SimulatedAnnealing）,.,2,1、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,.,3,1、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,.,4,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。,.,5,2、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。,.,6,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,.,7,3、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。,.,8,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。,.,9,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。,.,10,4、SA算法的基本步骤,1)随机产生一个初始解x0，令xbestx0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)DowhileT(i)Tmin1)forj=1k2)对当前最优解xbest按照某一邻域函数，产生一新的解xnew。计算新的目标函数值E(xnew)，并计算目标函数值的增量E=E(xnew)-E(xbest)。,.,11,3)如果E0，则xbest=xnew；4)如果E0，则p=exp(-E/T(i);1)如果c=random0,1p，xbest=xnew;否则xbest=xbest。5)Endfor4)i=i1；5)EndDo6)输出当前最优点，计算结束。,.,12,流程图,.,13,5、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。,.,14,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：而快速模拟退火算法的降温方式为：这两种方式都能够使得模拟退火算法收敛于全局最小点。,5、SA算法应用范围与一般要求,.,15,5、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|max|，然后依据差值，利用一定的函数确定初温。比如，t0=max/pr，其中pr为初始接受概率。(3)利用经验公式给出。,.,16,5、SA算法应用范围与一般要求,算法终止准则，常用的包括：(1)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。,.,17,6、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