模拟退火模型
Posted dongdong25800
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了模拟退火模型相关的知识,希望对你有一定的参考价值。
什么是退火:
- 退火是指将固体加热到足够高的温度,使分子呈随机排列状态,然后降温使之冷却,最后分子以低能状态排列,固体达到某种稳定状态。
- 物理退火过程
- 加温过程——增强粒子的热运动,消除系统原先可能存在的非均匀态。
- 等温过程——对于与环境换热而温度不变的封闭系统,系统状态的自发变化总是朝自由能减少的方向进行,当自由能达到最小时,系统达到平衡态。
- 冷却过程——使粒子热运动减弱并趋于有序,系统能量逐渐下降,从而得到低能的晶体结构。
模拟退火算法思想:
模仿自然界退火现象而得,利用物理固体物质的退火过程与一般优化问题的相似性从某一初始温度开始,伴随温度的不断下降,结合概率突跳特性在解空间中随机寻找全局最优解。
对比的表格:
算法简介:
模拟退火算法的模拟要求:
- 初始温度足够高。
- 降温过程足够慢。
- 终止温度足够低。
模拟退火算法的计算步骤:
模拟退火算法解决旅行商问题:
旅行商问题即TSP问题,假设有一个旅行商人要拜访n个城市,他必须选择所要走的路径,路径的限制是每个城市只能拜访一次,而且最后要回到原来出发的城市。路径的选择目标是要求得路径路程为所有路径之中的最小值。迄今为止,这类问题没有一个有效算法,认为这类问题的大型实例不能用精确算法求解,必须寻求这类问题得有效近似算法。
以上是关于模拟退火模型的主要内容,如果未能解决你的问题,请参考以下文章
matlab最短路径问题(旅行商模型)—模拟退火算法禁忌搜索算法解决中国省会间最短路径问题
R语言基于模拟退火(Simulated Annealing)进行特征筛选(feature selection)
Python使用模拟退火(Simulated Annealing)算法构建优化器获取机器学习模型最优超参数组合(hyperparameter)实战+代码