2

我想对不同的情况使用模拟退火。网络中的每个模拟退火算法都提供了温度示例。就像在维基

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.

现在这个“T”一般代表什么？假设我将对国际象棋使用模拟退火。我将使用该算法为计算机寻找下一步行动。我有当前状态（S）和它的价值（e）。我有下一个状态（snew）和它们的值（enew）。那么国际象棋的“T”是什么？我需要吗！这个算法有什么通用的形式吗？我的意思是没有这个温度示例，我可以得到基本的想法！我找不到任何东西。请帮忙。提前致谢......

4

1 回答 1

3

网络上的所有示例都使用温度示例，因为这是模拟退火的标准术语——SA 是一种受物理启发的技术，以一种称为退火的真实现象为模型。这与遗传算法的所有示例谈论基因和染色体的方式大致相同。

如果您将数学追溯到足够远，就会发现各种优化元启发式与一些物理过程之间存在一些迷人的联系，通常通过熵的概念来桥接。

但是，粗略地说，模拟退火中的温度 T 对应于算法在搜索全局（或至少更好的局部）最小值时“跳出”局部最小值的意愿或能力。高温对应于更高的随机性，跳跃更多，甚至可能以更糟糕的配置结束；低温对应于较低的随机性（最终是纯粹的贪婪算法）并且无论多么浅都无法逃脱任何局部最小值。

至于如何将这个想法用于您的应用程序，好吧。为了让大多数元启发式算法正常工作，需要一些洞察力和一些创造力。但是，您永远不会找到不讨论温度的 SA 讨论。

于 2013-06-22T06:09:35.007 回答