artificial-intelligence - 在简单的爬山中添加模拟退火

Question

我创建了一个爬山算法，它随机生成一个解决方案，然后复制该解决方案并对其进行一些变异，看看它是否最终得到一个更好的解决方案。如果是这样，它会保留新的解决方案并丢弃旧的解决方案。

如果我想在该算法中添加模拟退火，我是否可以从更高的突变率开始，并在每次创建新解决方案时稍微降低突变率？

我假设突变率将作为模拟退火算法的温度，对吗？

Answer 1

突变率将作为退火的温度，但每次仅选择更好的解决方案不会是完美的模拟退火。

您需要根据它的好坏程度和突变率来选择更好的选择。（即 deltaE 和温度），以便您允许模拟退火摆脱局部最优。如果您继续选择最佳选择，您可能会陷入局部最优。