人工智能 模拟退火算法

这是之前做的一篇报告，算法来自经典模拟算法。

我们都知道 物体是由微观分子或者原子组成的，在此次算法讨论中，我们统一理解为分子。

物体表现是由微观分子排列决定的，所以有人研究了一下他们之间的关系：

在温度T，分子排布状态r满足Boltzmann概率分布：

（1）在同一个温度，分子停留在能量小状态的概率大于停留在能量大状态的概率

（2）温度越高，不同能量状态对应的概率相差越小；温度足够高时，各状态对应概率基本相同。

（3）随着温度的下降，能量最低状态对应概率越来越大；温度趋于时，其状态趋于1

既然已经有了理论，我们找一找工业上的应用

这里要说明的是，工业上的退火和淬火是不一样的，简单来说，淬火是迅速降温，退火是或缓慢降温。

产品有什么区别呢？ 退火得到韧性好的，淬火得到硬度强的。

好了，截至现在，我们带出了退火的概念，现在来看看怎么移植到算法上去。

最经典的旅行商问题，实例如下图：

加入我们要走遍那么多城市，该怎么规划路线

有两种解决方法：

1，穷举法，就是列举出所有的可能性，就能够找到最优解。

2，寻找相似问题，看相似问题是如何解，然后移植过来。

穷举法显然太累。

我们找相似：

从这张图能够看出，条件类似，要求的结果类似，所以高兴一下，按理说问题就要解决了

继续高兴一下，看蓝色字体，理论中的解决方法出来了

不能高兴的太早，嘴上说和实际做还是有很大区别，这里最主要的因素就在于抽样过程

，因为其他的三个比较容易实现，设定初温就是设定一个数，控制参数下降，那就是让数

字缓慢变化，以及目标函数我们是有的。

上图就是我们要解决抽样问题的一个方法，不是抽样吗，我们这样来抽。

为什么这么抽样呢？看下图，因为有条件的选择接受可以跳出局部最优解啊

再来看看下面这张图，四个”必备“因素已经有了，我们就可以写代码了。

写代码之前看看算法流程

我们这里不演示代码的运行，在各大开源网站都有可以参考的代码，大家可以去看。如有

需要，可以后台找我要我用的代码。

写完了代码，运行过后，我们对算法进行回顾

此算法应用也很广

上面对算法的评价中说到，参数控制问题，已经有一批研究者开始研究，并且进行了改进，目前对于模拟退火算法的改进集中在以下几个方面：

刚开始写算法分析以及介绍，还请多多指正。需要PPT的同学后台联系作者。

注：图片来自作者PPT截图，部分图片来自书籍或者网页，如有侵权，请联系管理员。