数学建模赛前备赛——模拟退火算法

2024-08-29 07:52

本文主要是介绍数学建模赛前备赛——模拟退火算法,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

一.什么是智能优化算法

智能优化算法本质上是一个优化算法,它通过不断优化模型的参数,使得系统表现达到最优,常见的只能优化算法有很多,比如说蚁群算法,遗传算法以及我们今天的主角——模拟退火算法。

二.模拟算法的前身——爬山算法

爬山算法是一种简单的优化算法,它每次会从当前解的临近解空间中选取一个最优解来作为当前解,直到达到一个局部最优解,但是爬山算法有一个致命的缺陷,就是容易陷入局部最优解,无法跳出局部最优解,从而无法找到全局最优解。像下面这个图:
在这里插入图片描述

如果我们从C开始,按照爬山算法,我们最终会陷入局部最优解A,无法找到全局最优解B。其实也是比较好理解,如果把图像看做某个函数的图像,我们找到的只是一个极值点,而不一定是最大值点或者最小值点。

三.模拟退火算法的原理

模拟退火算法是一种基于概率的全局优化算法,它模拟了金属退火的过程,通过在解空间中随机搜索,并利用概率接受较差的解,从而避免陷入局部最优解。模拟退火算法的基本思想是:在高温下,系统中的粒子具有较高的能量,可以自由地移动和交换位置,从而在解空间中搜索到全局最优解。随着温度的降低,粒子的能量逐渐减少,搜索范围逐渐缩小,最终在低温下达到全局最优解。
相比于爬山算法,它引入了温度这一变量设计了一个高温,让粒子的初始状态保持了一个较大活性,可以尝试更多可能性,进而跳出局部最优解,最终找到全局最优解。

四. 算法的实现流程

  • 初始化:初始化温度T(充分大),每个T值的迭代次数L,降温系数alpha(0,1)和终止温度eps(充分小)
  • 随机生成初始解A,计算对应的f(A)
  • 在A附近生成新解,计算增量
  • 判断是否接受新解
  • 降温
  • 判断是否达到终止条件, 如果达到,则结束,否则回到第二步

五.算法的为伪代码实现

我们可以将模拟退火算法写作一个双重迭代算法,分为下面的两个过程:

  • 外循环(退火过程):模拟初始温度很大温度逐渐下降的过程
  • 内循环(搜索过程):模拟某一温度下粒子的跳动过程

首先是外循环:我们首先将固体达到较高的温度(设置一个较高的初始的温度)。然后我们根据降温系数alpha使温度按照一定的比例下降,当达到终止温度eps时,冷却结束,模拟退火结束

T=2000 #初始温度
eps=1e-8  #终止温度
alpha=0.99  #降温系数(越接近1结果越精确)
while T>eps:T*=alpha

然后是内循环:我们首先在当前温度下随机选择一个解,然后计算这个解的适应度值,然后计算新解的适应度值,如果新解的适应度值比当前解的适应度值要高,那么我们就接受新解,否则我们以一定的概率接受新解,这个概率的计算公式为exp(-ΔE/T),其中ΔE为新解的适应度值减去当前解的适应度值,T为当前温度。然后我们更新当前解为新解,继续进行内循环,直到达到终止温度eps,模拟退火结束,大致的流程如下:
在这里插入图片描述

大家有可能不是很理解为什么在左边出现更差的结果我们还会有一定的可能接受这个较差的解,而这就是模拟退火算法的核心思想,它允许算法在搜索过程中接受较差的解,从而避免陷入局部最优解,最终找到全局最优解。

六.算法的优缺点

优点:

  • 模拟退火算法是一种全局优化算法,它可以在解空间中搜索到全局最优解,而不会陷入局部最优解。
  • 不受问题约束条件的限制,可以处理各种类型的优化问题。
  • 解与初始解无关,算法的搜索过程是随机的,因此可以避免陷入局部最优解。
  • 可以灵活地调整参数,如初始温度、降温系数和终止温度等,来平衡搜素时间与搜素质量。

缺点:

  • 模拟退火算法的计算复杂度较高,对于大规模问题,计算时间较长。
  • 算法收敛速度较慢,需要较大的计算资源。
  • 需要合适的初始解与参数调整

七.算法的应用

这里我们以旅行商问题(Travelling Salesman Problem,TSP)为例,来演示模拟退火算法的应用。旅行商问题是一个经典的组合优化问题,要求找到一条最短的路径,使得旅行商能够访问所有的城市并返回到起点。旅行商问题是一个NP-hard问题,没有已知的高效算法可以解决所有实例。因此,模拟退火算法是一种有效的解决旅行商问题的方法,我们来看一下如何基于模拟退火算法解决旅行商问题,代码如下:

import random
import math
import numpy as np
import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif'] = ['SimHei']  # 用来正常显示中文标签
plt.rcParams['axes.unicode_minus'] = False  # 用来正常显示负号class SA_TSP:def __init__(self, n, X, Y, n_Tk, r, T_f, T0):self.n = n  # 城市数量self.X = X  # 城市坐标self.Y = Y  # 城市坐标self.n_Tk = n_Tk  # 内循环次数self.r = r  # 降温系数self.T_f = T_f  # 终止温度self.T0 = T0  # 初始温度self.alpha = r  # 温度更新系数# 计算路径长度def fitness(self, X0):s = 0for i in range(self.n):if i != self.n - 1:s += np.sqrt((self.X[X0[i]] - self.X[X0[i + 1]]) ** 2 + (self.Y[X0[i]] - self.Y[X0[i + 1]]) ** 2)else:s += np.sqrt((self.X[X0[i]] - self.X[X0[0]]) ** 2 + (self.Y[X0[i]] - self.Y[X0[0]]) ** 2)return sdef exchange(self, X0, i, j):X1 = X0.copy()X1[i], X1[j] = X1[j], X1[i]return X1def initialX0(self, n):X0 = np.random.permutation(range(n))return X0def SA_TSP(self):X0 = self.initialX0(self.n)# 记录最优路径X_min = [X0]# 记录最优路径长度s_min = [self.fitness(X0)]k = 0while self.T0 > self.T_f:for _ in range(self.n_Tk):i, j = random.sample(range(self.n), 2)X1 = self.exchange(X0, i, j)s1 = self.fitness(X0)s2 = self.fitness(X1)# 更新历史最优解if s2 < min(s_min):s_min.append(s2)X_min.append(X1)else:s_min.append(s_min[-1])X_min.append(X_min[-1])# 判断是否更新解if s2 < s1:X0 = X1else:E = math.exp(-(s2 - s1) / self.T0)R = random.uniform(0, 1)if E > R:X0 = X1k += 1self.T0 *= self.alpha  # 温度更新# 绘制优化过程plt.plot(range(k+1), s_min)plt.xlabel('迭代次数')plt.ylabel('最优路径长度')plt.show()# 绘制最优路径W = X_min[-1]for i in range(self.n):if i != self.n - 1:plt.plot([self.X[W[i]], self.X[W[i + 1]]], [self.Y[W[i]], self.Y[W[i + 1]]], c='plum')else:plt.plot([self.X[W[i]], self.X[W[0]]], [self.Y[W[i]], self.Y[W[0]]], c='plum')plt.scatter(self.X, self.Y, c='red')plt.title("路线图")plt.xlabel("x")plt.ylabel("y")plt.show()return X_min[-1], s_min[-1]# 定义城市坐标
n = 30
city_x = [41, 37, 54, 25, 7, 2, 68, 71, 54, 83, 64, 18, 22, 83, 91, 25, 24, 58, 71, 74, 87,18, 13, 82, 62, 58, 45, 41, 44, 4]
city_y = [94, 84, 67, 62, 64, 99, 58, 44, 62, 69, 60, 54, 60, 46, 38, 38, 42, 69, 71, 78, 76,40, 40, 7, 32, 35, 21, 26, 35, 50]
# 内循环的迭代次数
n_Tk = 300
# 降温变化
r = 0.9
# 终止温度
T_f = 0.001
# 初始温度
T0 = 2000
# 创建对象
city30 = SA_TSP(n, city_x, city_y, n_Tk, r, T_f, T0)
# 方法
Xmin, smin = city30.SA_TSP()
print("最短路径为:", Xmin)
print("最短路径长度为:", smin)

运行结果如下:
在这里插入图片描述
在这里插入图片描述

相比于其他智能优化算法,模拟退火算法适用范围光,全局搜素能力强,不容易陷入局部最优解,这些都是我们可以在论文中去体现的东西,今天的算法介绍就到此为止了,下篇见

这篇关于数学建模赛前备赛——模拟退火算法的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/1117286

相关文章

不懂推荐算法也能设计推荐系统

本文以商业化应用推荐为例,告诉我们不懂推荐算法的产品,也能从产品侧出发, 设计出一款不错的推荐系统。 相信很多新手产品,看到算法二字,多是懵圈的。 什么排序算法、最短路径等都是相对传统的算法(注:传统是指科班出身的产品都会接触过)。但对于推荐算法,多数产品对着网上搜到的资源,都会无从下手。特别当某些推荐算法 和 “AI”扯上关系后,更是加大了理解的难度。 但,不了解推荐算法,就无法做推荐系

康拓展开(hash算法中会用到)

康拓展开是一个全排列到一个自然数的双射(也就是某个全排列与某个自然数一一对应) 公式: X=a[n]*(n-1)!+a[n-1]*(n-2)!+...+a[i]*(i-1)!+...+a[1]*0! 其中,a[i]为整数,并且0<=a[i]<i,1<=i<=n。(a[i]在不同应用中的含义不同); 典型应用: 计算当前排列在所有由小到大全排列中的顺序,也就是说求当前排列是第

csu 1446 Problem J Modified LCS (扩展欧几里得算法的简单应用)

这是一道扩展欧几里得算法的简单应用题,这题是在湖南多校训练赛中队友ac的一道题,在比赛之后请教了队友,然后自己把它a掉 这也是自己独自做扩展欧几里得算法的题目 题意:把题意转变下就变成了:求d1*x - d2*y = f2 - f1的解,很明显用exgcd来解 下面介绍一下exgcd的一些知识点:求ax + by = c的解 一、首先求ax + by = gcd(a,b)的解 这个

综合安防管理平台LntonAIServer视频监控汇聚抖动检测算法优势

LntonAIServer视频质量诊断功能中的抖动检测是一个专门针对视频稳定性进行分析的功能。抖动通常是指视频帧之间的不必要运动,这种运动可能是由于摄像机的移动、传输中的错误或编解码问题导致的。抖动检测对于确保视频内容的平滑性和观看体验至关重要。 优势 1. 提高图像质量 - 清晰度提升:减少抖动,提高图像的清晰度和细节表现力,使得监控画面更加真实可信。 - 细节增强:在低光条件下,抖

【数据结构】——原来排序算法搞懂这些就行,轻松拿捏

前言:快速排序的实现最重要的是找基准值,下面让我们来了解如何实现找基准值 基准值的注释:在快排的过程中,每一次我们要取一个元素作为枢纽值,以这个数字来将序列划分为两部分。 在此我们采用三数取中法,也就是取左端、中间、右端三个数,然后进行排序,将中间数作为枢纽值。 快速排序实现主框架: //快速排序 void QuickSort(int* arr, int left, int rig

poj 3974 and hdu 3068 最长回文串的O(n)解法(Manacher算法)

求一段字符串中的最长回文串。 因为数据量比较大,用原来的O(n^2)会爆。 小白上的O(n^2)解法代码:TLE啦~ #include<stdio.h>#include<string.h>const int Maxn = 1000000;char s[Maxn];int main(){char e[] = {"END"};while(scanf("%s", s) != EO

uva 10014 Simple calculations(数学推导)

直接按照题意来推导最后的结果就行了。 开始的时候只做到了第一个推导,第二次没有继续下去。 代码: #include<stdio.h>int main(){int T, n, i;double a, aa, sum, temp, ans;scanf("%d", &T);while(T--){scanf("%d", &n);scanf("%lf", &first);scanf

uva 10025 The ? 1 ? 2 ? ... ? n = k problem(数学)

题意是    ?  1  ?  2  ?  ...  ?  n = k 式子中给k,? 处可以填 + 也可以填 - ,问最小满足条件的n。 e.g k = 12  - 1 + 2 + 3 + 4 + 5 + 6 - 7 = 12 with n = 7。 先给证明,令 S(n) = 1 + 2 + 3 + 4 + 5 + .... + n 暴搜n,搜出当 S(n) >=

uva 11044 Searching for Nessy(小学数学)

题意是给出一个n*m的格子,求出里面有多少个不重合的九宫格。 (rows / 3) * (columns / 3) K.o 代码: #include <stdio.h>int main(){int ncase;scanf("%d", &ncase);while (ncase--){int rows, columns;scanf("%d%d", &rows, &col

秋招最新大模型算法面试,熬夜都要肝完它

💥大家在面试大模型LLM这个板块的时候,不知道面试完会不会复盘、总结,做笔记的习惯,这份大模型算法岗面试八股笔记也帮助不少人拿到过offer ✨对于面试大模型算法工程师会有一定的帮助,都附有完整答案,熬夜也要看完,祝大家一臂之力 这份《大模型算法工程师面试题》已经上传CSDN,还有完整版的大模型 AI 学习资料,朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费