机器学习实战应用案例100篇(二十)-模拟退火法从原理到实战应用案例

Posted 普通网友

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了机器学习实战应用案例100篇(二十)-模拟退火法从原理到实战应用案例相关的知识,希望对你有一定的参考价值。

模拟退火算法(原理)

1 算法简介

模拟退火算法(Simulated Annealing )是一种 随机全局搜索 优化算法。

这意味着它将 随机性 作为搜索过程的一部分。这使得该算法适用于 非线性目标函数

与随机爬坡局部搜索算法一样,它 修改单个解,搜索搜索空间中相对局部的区域,直到找到局部最优解。与爬坡算法不同,它可以 接受较差的解 作为当前的解。

接受较差解的 可能性 在搜索开始时就很高,并且随着搜索的进展而降低,这使得算法有机会首先定位全局最优解的区域,避开局部最优解,然后爬到最优解本身。

该算法的灵感来自于冶金领域的 退火技术,即将金属快速加热到高温,然后缓慢冷却,从而增加其强度,使其更容易使用。

退火过程首先在高温下激发材料中的原子,让原子四处移动,然后 慢慢降低 它们的兴奋度,让原子进入一种新的、更稳定的结构。

当热的时候,材料中的原子更自由地四处移动,并且通过随机运动,倾向于进入更好的位置。缓慢的冷却使材料变成有序的晶体状态。

算法的理论:将热力学的理论套用到统计学上,将搜寻空间内每一点想像成空气内的分子;分子的能量,就是它本身的动能;而搜寻空间内的每一点,也像空气分子一样带有“能量”ÿ

以上是关于机器学习实战应用案例100篇(二十)-模拟退火法从原理到实战应用案例的主要内容,如果未能解决你的问题,请参考以下文章

机器学习实战应用案例100篇(二十一)-蚁群算法从原理到实战应用案例

机器学习实战应用案例100篇(二十三)-粒子群算法从原理到实战应用案例

机器学习实战应用案例100篇(二十九)-序列算法应用案例

机器学习实战应用案例100篇(二十九)-序列算法应用案例

机器学习实战应用案例100篇(二十五)-强联通分量算法应用案例

机器学习实战应用案例100篇(二十八)-神经网络算法应用案例