模拟退火算法
这是一篇笔记，是对于B站up主马少平的视频（第四篇 如何用随机方法求解组合优化问题（五））的学习与记录。
前置知识回顾
【回顾】：局部最优问题
在局部搜索问题中，可能会陷入局部最优解（如上图中的B、C），解决思路是：以概率接受差解。
【回顾】：退火过程中
从状态 \(i\) 转换为状态 \(j\) 的转换准则：
-
如果 \(E(j)\le E(i)\)，则状态转换被接受；
-
如果 \(E(j)>E(i)\)，则状态转移被接受的概率为：
\[e^{\frac{E(i)-E(j)}{KT}} \]
根据上述特点，可以发现局部搜索和退火过程存在一定关联，可以尝试将局部搜索与退火过程结合用于求解组合优化问题。
组合优化问题与退火过程的类比
算法设计
基本思想
在局部搜索算法中，从领域中随机选择一个解 \(j\) ，如果该解的指标函数好于当前解 \(i\) 的指标函数，则以概率1接受该解，否则按照以下概率接受该解：
\[e^{\frac{f(i)-f(j)}{t}} \]这里假定求解最小解，其中 \(f(i)\) 为解 \(i\) 的指标函数，\(t\) 为控制参数，也称作温度。
伪代码
- 随机选择一个解 \(i\)，\(k=0\)，\(t_0=T_{\max}\)（初始温度），计算指标函数 \(f(i)\).
- \(t=t_k\)，如果满足结束条件，则转（15）.
- Begin
- 如果在该温度内达到了平衡条件，则转（13）.
- Begin
- 从 \(i\) 的领域 \(N(i)\) 中随机选择一个解 \(j\) .
- 计算指标函数 \(f(j)\).
- 如果 \(f(j)\le f(i)\)，则接受 \(j\)，\(i=j\)，\(f(i)=f(j)\)，转（4）.
- 否则计算 \(P_{i\Rightarrow j}(t)=e^{-\frac{f(j)-f(i)}{t}}\)
- 如果 \(Random(0, 1)<P_{i\Rightarrow j}(t)\)，则接受 \(j\)，\(i=j\)，\(f(i)=f(j)\).
- 转（4）.
- End
- 对 \(t\) 降温，\(t_{k+1}=Drop(t_k)\)，\(k=k+1\)，转（2）.
- End
- 输出结果.
- 结束.
分析：
- 首先随机选择一个解，比如旅行商问题中，先随机生成一条路线。
- 初始温度需要设置一个较大的数，这是因为“接受较差的解”的概率与温度有关，初始温度设置较大在某种程度上可以帮助跳出局部最优解，而提高了找到全局最优解的可能性。
- 指标函数用于衡量解的优良性，比如在旅行商问题中是“路线长度”。
- 算法包含内外两层循环：
- 内循环为“保持温度不变，在邻域内按照退火的特点，尝试找到可以接受的解”。如果是好解则直接接受，如果是差解则按概率接受。
- 外循环负责“降温”，每次降温后，如果还没达到平衡条件，则继续寻找解。
以上只是算法的简单框架，还有一些问题需要解决。
算法需要解决的问题：
- 初始温度 \(t_0\)
- 温度 \(t\) 的衰减函数
- 算法的终止标准
- 每个温度 \(t\) 下的马尔可夫链长度 \(L_k\)
只有这些参数确定之后，算法才算完整，才能用于解决实际问题。
算法性质
与退火过程一样，当满足条件时：
- 初始温度足够高
- 在每个温度下状态的交换足够充分
- 温度 \(t\) 的下降足够缓慢
模拟退火算法以概率1收敛到最优解。
标签：函数,求解,退火,算法,随机,接受,优化,温度 From： https://www.cnblogs.com/feixianxing/p/combinatorial-problem-random-method-solution-5.html