模拟退火算法(1) - Python实现

  • 抽象来源:模仿冶金过程中的退火原理。
  • 核心思想:在冶金退火过程中,随着温度的下降,系统内部分子的平均动能逐渐降低,分子在自身位置附近的扰动能力也随之下降,即分子自身的搜索范围随着温度的下降而下降。利用该特性,我们可以对给定状态空间(待求解空间)内的某个状态产生函数(待求解函数)的最值进行求解。在高温状态下,由于分子的扰动能力较强,对较差状态(远离最值所对应的状态)的容忍性高,因此可以在给定状态空间内进行全局的随机搜索,从而有较高概率跳出局部极值。随着温度的逐渐下降,分子的扰动能力减弱,对较差状态的容忍性随之降低,导致此时的全局随机搜索能力下降,相应地对局部极值的搜索能力上升。综合整个退火过程,在理想情况下,最终解应该对应于给定状态空间内的最值。
  • 迭代公式
    系统温度为$T$时,出现能量差为$dE$的降温概率为:
    \begin{equation}\label{eq_1}
    p(dE) = e^{dE/kT}
    \end{equation}
    其中,$dE<0$,因此$0<p(dE)<1$。
    以该降温概率为基础,采用状态转移概率$p(\Delta f)$来表示对较差状态的容忍性:
    \begin{equation}\label{eq_2}
    p(\Delta f) = e^{\Delta f/T}
    \end{equation}
    其中,$f$为状态产生函数,因此$\Delta f = f(x_{new}) - f(x_{old})$。常数$k$通过改变温度$T$的取值范围而被忽略,即式\ref{eq_1}中的$kT$等效于式\ref{eq_2}中的$T$。
    注意,在求取最值的过程中,存在两类可接受解:1)更优解 --- $BS$(较当前状态更加接近最值的状态);2)容忍解 --- $TS$(较当前状态更加远离最值的解)。前者的接受概率1;后者的接受概率为状态转移概率$p(\Delta f)$,且必须保证$p(\Delta f)\in (0, 1)$。
    • 求取最小值
      \begin{equation}
      \begin{cases}
      \Delta f < 0 \rightarrow BS \rightarrow 1\\
      \Delta f \geq 0 \rightarrow TS \rightarrow p(-\Delta f)
      \end{cases}
      \end{equation}
    • 求取最大值
      \begin{equation}
      \begin{cases}
      \Delta f > 0 \rightarrow BS \rightarrow 1\\
      \Delta f \leq 0 \rightarrow TS \rightarrow p(\Delta f)
      \end{cases}
      \end{equation}

 

  • Python代码实现
     1 import numpy as np
     2 import matplotlib.pyplot as plt
     3 import random
     4 
     5 class SA(object):
     6 
     7     def __init__(self, interval, tab='min', T_max=10000, T_min=1, iterMax=1000, rate=0.95):
     8         self.interval = interval                                    # 给定状态空间 - 即待求解空间
     9         self.T_max = T_max                                          # 初始退火温度 - 温度上限
    10         self.T_min = T_min                                          # 截止退火温度 - 温度下限
    11         self.iterMax = iterMax                                      # 定温内部迭代次数
    12         self.rate = rate                                            # 退火降温速度
    13         #############################################################
    14         self.x_seed = random.uniform(interval[0], interval[1])      # 解空间内的种子
    15         self.tab = tab.strip()                                      # 求解最大值还是最小值的标签: 'min' - 最小值;'max' - 最大值
    16         #############################################################
    17         self.solve()                                                # 完成主体的求解过程
    18         self.display()                                              # 数据可视化展示
    19         
    20     def solve(self):
    21         temp = 'deal_' + self.tab                                   # 采用反射方法提取对应的函数
    22         if hasattr(self, temp):
    23             deal = getattr(self, temp)
    24         else:
    25             exit('>>>tab标签传参有误:"min"|"max"<<<')  
    26         x1 = self.x_seed
    27         T = self.T_max
    28         while T >= self.T_min:
    29             for i in range(self.iterMax):
    30                 f1 = self.func(x1)
    31                 delta_x = random.random() * 2 - 1
    32                 if x1 + delta_x >= self.interval[0] and x1 + delta_x <= self.interval[1]:   # 将随机解束缚在给定状态空间内
    33                     x2 = x1 + delta_x
    34                 else:
    35                     x2 = x1 - delta_x
    36                 f2 = self.func(x2)
    37                 delta_f = f2 - f1
    38                 x1 = deal(x1, x2, delta_f, T)
    39             T *= self.rate
    40         self.x_solu = x1                                            # 提取最终退火解       
    41         
    42     def func(self, x):                                              # 状态产生函数 - 即待求解函数
    43         value = np.sin(x**2) * (x**2 - 5*x)
    44         return value
    45         
    46     def p_min(self, delta, T):                                      # 计算最小值时,容忍解的状态迁移概率
    47         probability = np.exp(-delta/T)
    48         return probability
    49         
    50     def p_max(self, delta, T):
    51         probability = np.exp(delta/T)                               # 计算最大值时,容忍解的状态迁移概率
    52         return probability
    53         
    54     def deal_min(self, x1, x2, delta, T):
    55         if delta < 0:                                               # 更优解
    56             return x2
    57         else:                                                       # 容忍解
    58             P = self.p_min(delta, T)
    59             if P > random.random(): return x2
    60             else: return x1
    61             
    62     def deal_max(self, x1, x2, delta, T):
    63         if delta > 0:                                               # 更优解
    64             return x2
    65         else:                                                       # 容忍解
    66             P = self.p_max(delta, T)
    67             if P > random.random(): return x2
    68             else: return x1
    69         
    70     def display(self):
    71         print('seed: {}\nsolution: {}'.format(self.x_seed, self.x_solu))
    72         plt.figure(figsize=(6, 4))
    73         x = np.linspace(self.interval[0], self.interval[1], 300)
    74         y = self.func(x)
    75         plt.plot(x, y, 'g-', label='function')
    76         plt.plot(self.x_seed, self.func(self.x_seed), 'bo', label='seed')
    77         plt.plot(self.x_solu, self.func(self.x_solu), 'r*', label='solution')
    78         plt.title('solution = {}'.format(self.x_solu))
    79         plt.xlabel('x')
    80         plt.ylabel('y')
    81         plt.legend()
    82         plt.savefig('SA.png', dpi=500)
    83         plt.show()
    84         plt.close()
    85 
    86         
    87 if __name__ == '__main__':
    88     SA([-5, 5], 'max')
    View Code

    笔者所用示例函数为 :
    \begin{equation}
    f(x) = (x^2 - 5x)sin(x^2)
    \end{equation}

  • 结果展示


  • 参考:https://blog.csdn.net/AI_BigData_wh/article/details/77943787?locationNum=2&fps=1
posted @ 2018-06-18 19:49  LOGAN_XIONG  阅读(14907)  评论(3编辑  收藏  举报