0

能量变量在模拟退火算法中代表什么？我猜它类似于 GA 中的适应度变量？

4

3 回答 3

1

我没有看到 SA 中的能量与 GA 中的健康之间存在明确的关系。

SA 中的能量定义了下一次迭代的搜索空间：随着能量变量的缩小，搜索空间的体积也随之缩小。例如，如果你正在做某种音乐搜索并且你有一个音符是“C”，那么高 SA 能量可能允许该值变成从“A”到“G”的任何值，而低 SA 能量可能只允许该值变为降 C 或升 C。

在 GA 中，搜索空间由给定基因型位置的值的熵定义。因此，如果在您的音乐搜索中的位置 1，每个人都有一个“C”音符，那么孩子们将在该位置有一个“C”（除非发生突变），并且在解决方案空间中沿着该维度没有真正的搜索。但是，如果基因型中位置 2 的值同样是“A”-“G”，则搜索空间非常大。

GA 中的适应度只是完整解决方案的质量。它是对个人的描述，而不是下一次迭代的参数（间接除外，因为它会影响选择）。所以我只是看不到任何好的概念映射到 SA 能量。

于 2013-03-06T18:34:17.117 回答
1

是的，它与遗传编程或遗传算法中的适应度函数非常相似。系统的能量 (E) 从某个任意高能状态开始。每一步都会对能量进行评估，系统会尝试转移到较低的能量状态。

一开始，当系统具有较高的“温度”时，允许较大的逆最优状态移动，以便系统可以避开局部最大值。在许多步骤中，温度会降低（希望能级也是如此）。

有很多关于模拟退火的好文章。这是一个很好的PPT概述：链接

于 2013-03-06T01:02:46.653 回答
1

在模拟退火中，一个点的能量 (E) 决定了它被接受为解决方案的概率。当温度参数高时，算法以随机方式接受具有低能量或高能量的新解。当温度低时，算法接受能量低的新解。

在典型的实现中，算法会随着迭代的通过而降低其温度参数。这引发了从随机行为到确定性行为的平滑过渡，这是模拟退火的一个关键特征。

有一些文本深入解释了模拟退火和遗传算法。我建议：

[1] Vöcking, B.、Alt, H.、Dietzfelbinger, M.、Reischuk, R.、Scheideler, C.、Vollmer, H.、Wagner, D.“不插电的算法”，Ed。德国柏林：Springer-Verlag Berlin Heidelberg, 2011, ch. 41，第 393-400 页。

[2] Duc Pham, D. Karaboga，“智能优化技术”。英国伦敦：Springer-Verlag 伦敦，2000 年。

于 2016-02-19T17:57:25.233 回答