使用模拟退火算法求解TSP问题(python实现) | 您所在的位置:网站首页 › tsp问题求解python › 使用模拟退火算法求解TSP问题(python实现) |
使用模拟退火算法求解TSP问题
案例和代码参考的是:华中科技大学创新团队WESharp新生培训系列讲座,主讲人:周航 模拟退火(Simulated annealing)是一种通用概率算法,用来在一定时间内寻找在一个很大搜寻空间内的近似最优解。 简介 模拟退火来自冶金学的专有名词退火。退火是将材料加热后再经特定速率冷却,目的是增大晶粒的体积,并且减少晶格中的缺陷。材料中的原子原来会停留在使内能有局部最小值的位置,加热使能量变大,原子会离开原来位置,而随机在其他位置中移动。退火冷却时速度较慢,使得原子有较多可能可以找到内能比原先更低的位置。 模拟退火的原理也和金属退火的原理近似:我们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”,以表示该点对命题的合适程度。算法先以搜寻空间内一个任意点作起始:每一步先选择一个“邻居”,然后再计算从现有位置到达“邻居”的概率。 可以证明,模拟退火算法所得解依概率收敛到全局最优解。 退火算法-中文维基百科 演算步骤 初始化 由一个产生函数从当前解产生一个位于解空间的新解,并定义一个足够大的数值作为初始温度。 迭代过程 迭代过程是模拟退火算法的核心步骤,分为新解的产生和接受新解两部分: 1、由一个产生函数从当前解产生一个位于解空间的新解;为便于后续的计算和接受,减少算法耗时,通常选择由当前新解经过简单地变换即可产生新解的方法,如对构成新解的全部或部分元素进行置换、互换等,注意到产生新解的变换方法决定了当前新解的邻域结构,因而对冷却进度表的选取有一定的影响。 2、计算与新解所对应的目标函数差。因为目标函数差仅由变换部分产生,所以目标函数差的计算最好按增量计算。事实表明,对大多数应用而言,这是计算目标函数差的最快方法。 3、判断新解是否被接受,判断的依据是一个接受准则,最常用的接受准则是Metropolis准则:若Δt′= 0:#当差>0时,以一定概率接受新解 rand = random.uniform(0,1) if rand T_end: for i in range(L): newans = creat_new(ans0) old_dist = totaldistance(ans0) new_dist = totaldistance(newans) df = new_dist - old_dist if df >= 0: rand = random.uniform(0,1) if rand |
CopyRight 2018-2019 实验室设备网 版权所有 |