选择邻居时应该考虑算法的温度吗?因此,例如,如果在挑选邻居时温度很高,应该进行排列吗?还是温度只影响接受概率?
3 回答
后者是正确的:只有接受概率受温度影响。温度越高,越“坏”的动作被接受以逃避局部最优。如果您预先选择具有低能量值的邻居,您基本上会与模拟退火的想法相矛盾,并将其变成贪婪搜索。
来自维基百科的伪代码:
s ← s0; e ← E(s) // Initial state, energy.
sbest ← s; ebest ← e // Initial "best" solution
k ← 0 // Energy evaluation count.
while k < kmax and e > emax // While time left & not good enough:
T ← temperature(k/kmax) // Temperature calculation.
snew ← neighbour(s) // Pick some neighbour.
enew ← E(snew) // Compute its energy.
if P(e, enew, T) > random() then // Should we move to it?
s ← snew; e ← enew // Yes, change state.
if enew < ebest then // Is this a new best?
sbest ← snew; ebest ← enew // Save 'new neighbour' to 'best found'.
k ← k + 1 // One more evaluation done
return sbest // Return the best solution found.
这是来自维基百科的描述,其中指出实际上应该针对某些问题计算温度。
高效的候选生成
启发式的更精确的陈述是,应该尝试第一个候选状态 s',其中 P(E(s), E(s'), T) 很大。对于上面的“标准”接受函数 P,它意味着 E(s') - E(s) 在 T 或更少的数量级上。因此,在上面的旅行推销员示例中,可以使用交换两个随机城市的 neighbour() 函数,其中选择城市对的概率随着距离增加超过 T 而消失。
这确实意味着在确定邻居时温度可能是相关因素。
更多关于如何编写邻域函数的有用读物:How to Effective select neighbor in 1-dimensional and n-dimensional space for Simulated Annealing
我也有同样的问题,但我认为Python 中模拟退火基础的另一篇文章的答案表明 T 可能与选择邻居有关是非常合理的。
选择邻居也将取决于您的问题。限制邻里的主要原因是,一旦你找到了一个不错的解决方案,即使你后来转向更糟糕的解决方案,你至少也留在附近。直觉是大多数目标函数都有些平滑,因此好的解决方案将靠近其他好的解决方案。因此,您需要一个足够小的社区,让您靠近好的解决方案,但又足够大,让您可以快速找到它们。您可以尝试的一件事是随着时间的推移减少邻域(例如,使其与温度成正比)。– 2013 年 11 月 4 日 20:58