6 模拟退火算法关键参数和操作的设计 状态产生函数

原则
产生的候选解应遍布全部解空间

方法 在当前状态的邻域结构内以一定概率方式（均匀分 布、正态分布、指数分布等）产生

6 模拟退火算法关键参数和操作的设计 状态接受函数

原则
(1)在固定温度下，接受使目标函数下降的候选解的 概率要大于使目标函数上升的候选解概率；

6 模拟退火算法关键参数和操作的设计
温度更新函数

温度下降函数
（1） tk 1 tk , k 0, 0 1 ，α越接近1温度下降越 慢，且其大小可以不断变化；
（ 2） ，其中t0为起始温度，K为算法温度 下降的总次数。
tk K k t0 K

6 模拟退火算法关键参数和操作的设计 内循环终止准则 非时齐模拟退火算法
随机地变化到另一个状态；随着温度的不断下降直到最低温度， 搜索过程以概率1停留在最优解
2物理退火过程的数学表示
能量最低状态 非能量最低状态
若|D|为状态空间D中状态的个数，D0是具有最低能 量的状态集合：
当温度很高时，每个状态概率基本相同，接近平 均值1/|D|； 状态空间存在超过两个不同能量时，具有最低能 量状态的概率超出平均值1/|D| ； 当温度趋于0时，分子停留在最低能量状态的概 率趋于1。
1 模拟退火算法的思想

缓慢降温（退火，annealing）时，可达到最低能量 状态，较为柔韧；但如果快速降温（淬火， quenching），会导致不是最低能态的非晶形，较硬 易断。

大自然知道慢工出细活： 缓缓降温，使得物体分子在每一温度时，能够有足 够时间找到安顿位臵，则逐渐地，到最后可得到最 低能态，系统最稳定。
模拟退火算法
Simulated Annealing Algorithm
信息与计算科学
卿
铭
1 模拟退火算法的思想
模拟退火算法来源于固体退火原理，将固体加温至 充分高，再让其徐徐冷却；加温时，固体内部粒子 随温升变为无序状，内能增大，而徐徐冷却时粒子 渐趋有序，在每个温度都达到平衡态，最后在常温 时达到某种稳定状态，基态，内能减为最小。
每个温度下只产生一个或少量候选解

时齐算法——常用的Metropolis抽样稳定准则 （1）检验目标函数的均值是否稳定； （2）连续若干步的目标值变化较小； （3）按一定的步数抽样。
模拟退火算法对应了一个马尔可夫链，新状态接受概率仅依赖于新状态和 当前状态，并由温度加以控制。 若固定每一温度，算法均计算马氏链的变化直至平稳分布，然后下降温度， 则称为时齐算法； 若无需各温度下算法均达到平稳分布，但温度需按一定速率下降，则称为 非时齐算法。
模拟退火算法(Simulated Annealing，SA)最早的思想是由N. Metropolis等人于1953年提出。1983 年,S. Kirkpatrick 等成功地将退火思想引入到组合优化领域。它是基于MonteCarlo迭代求解策略的一种随机寻优算法，其出发点是基于 物理中固体物质的退火过程与一般组合优化问题之间的相似 性。模拟退火算法从某一较高初温出发，伴随温度参数的不 断下降,结合概率突跳特性在解空间中随机寻找目标函数的 全局最优解，即在局部最优解能概率性地跳出并最终趋于全 局最优。 模拟退火算法是通过赋予搜索过程一种时变且最 终趋于零的概率突跳性，从而可有效避免陷入局部 极小并最终趋于全局最优的串行结构的优化算法。 模拟退火算法是一种通用的优化算法，理论上算 法具有概率的全局优化性能,目前已在工程中得到了 广泛应用。
退温tk+1=update(tk)并令k=k+1；
Until 算法终止准则满足； 输出算法搜索结果。
三函数两准则
初始温度
5 模拟退火算法的具体步骤

模拟退火算法的步骤 Step1 设定初始温度t = tmax, 任选初始解r = r0 1. 目标函数均值稳定 Step2 内循环 2. 连续若干步的目标 值变化较小 Step2.1 从r的邻域中随机选一个解 rt, 计算r和rt对应目标 3. 固定的抽样步数 函 数值, 如rt对应目标函数值较小，则令 r = rt; 否则若 exp(-(E(rt)-E(r))/t)>random(0,1), 则令r=rt. 1. 达到终止温度 Step2.2 不满足内循环停止条件时，重复 Step2.1 2. 达到迭代次数 Step3 外循环 3. 最优值连续若干步 Step3.1 降温t = decrease(t) 保持不变 Step3.2 如不满足外循环停止条件，则转Step2；否则算 法结束
5 模拟退火算法的具体步骤

影响优化结果的主要因素
给定初温t=t0，随机产生初始状态s=s0，令k=0； Repeat Repeat
产生新状态sj=Genete(s)；
if min{1,exp[-(C(sj)-C(s))/tk]}>=randrom[0,1] s=sj; Until 抽样稳定准则满足；
2物理退火过程的数学表示 Metropolis准则（1953）——以概率接受新状态
固体在恒定温度下达到热平衡的过程可以用Monte Carlo方 法（计算机随机模拟方法）加以模拟，虽然该方法简单， 但必须大量采样才能得到比较精确的结果，计算量很大。

Metropolis准则（1953）——以概率接受新状态
4模拟退火算法的模型与特点
1模拟退火算法可以分解为解空间、目标函数和初始解三部 分。 2模拟退火的基本步骤: (1) 初始化：初始温度T(充分大)，初始解状态S(是算法迭 代的起点)，每个T值的迭代次数L。 (2) 对k=1，……，L做第(3)至第6步： (3) 产生新解S′ (4) 计算增量Δt′=C(S′)-C(S)，其中C(S)为评价函数 (5) 若Δt′<0则接受S′作为新的当前解，否则以概率 exp(-Δt′/kT)接受S′作为新的当前解. (6) 如果满足终止条件则输出当前解作为最优解，结束程序。 终止条件通常取为连续若干个新解都没有被接受时终止算法。 (7) T逐渐减少，且T->0，然后转第2步。 模拟退火算法与初始值无关，算法求得的解与初始解状态S(是 算法迭代的起点)无关；模拟退火算法具有渐近收敛性，已在理 论上被证明是一种以概率l 收敛于全局最优解的全局优化算法； 模拟退火算法具有并行性。
若在温度T，当前状态i → 新状态j
若Ej<Ei，则接受 j 为当前状态； 否则，若概率 p=exp[-(Ej-Ei)/kBT] 大于[0,1)区间的随 机数，则仍接受状态 j 为当前状态；若不成立则保留状态
i 为当前状态。
p
1
2物理退火过程的数学表示

Metropolis准则（1953）——以概率接受新状态

组合优化与物理退火的相似性比较 组合优化问题 解 金属物体 粒子状态
最优解 设定初温 Metropolis抽样过程 控制参数的下降 目标函数
能量最低的状态 熔解过程 等温过程 冷却 能量
从某一初始温度开始，伴随温度的不断下降，结合 概率突跳特性在解空间中随机寻找全局最优解
2模拟退火算法的原理

初温应充分大；

实验表明 初温越大，获得高质量解的机率越大，但花费较多 的计算时间；

6 模拟退火算法关键参数和操作的设计 初温

方法
（1）均匀抽样一组状态，以各状态目标值得方差 为初温；
（2）随机产生一组状态，确定两两状态间的最大 目标值差，根据差值，利用一定的函数确定初温； （3）利用经验公式。
2物理退火过程的数学表示 在同一个温度T，选定两个能量E1<E2，有
E1 1 P{E E1} P{E E2 } exp k T Z (T ) B E2 E1 1 exp k T B
可知：
>0 <1 （1）在同一个温度，分子停留在能量小状态的概率 大于停留在能量大状态的概率 （2）温度越高，不同能量状态对应的概率相差越小； 温度足够高时，各状态对应概率基本相同。 （3）随着温度的下降，能量最低状态对应概率越来 越大；温度趋于0时，其状态趋于1 模拟退火算法基本思想：在一定温度下，搜索从一个状态

6 模拟退火算法关键参数和操作的设计
外循环终止准则

常用方法
（1）设臵终止温度的阈值；
（2）设臵外循环迭代次数； （3）算法搜索到的最优值连续若干步保持不变； （4）概率分析方法。
7 模拟退火算法的改进
模拟退火算法的优缺点

模拟退火算法的优点
质量高；
初值鲁棒性强； 简单、通用、易实现。

模拟退火算法的缺点 由于要求较高的初始温度、较慢的降温速率、较低 的终止温度，以及各温度下足够多次的抽样，因此 优化过程较长。
1 模拟退火算—增强粒子的热运动，消除系统原先可能存在 的非均匀态； 等温过程——对于与环境换热而温度不变的封闭系统， 系统状态的自发变化总是朝自由能减少的方向进行，当自 由能达到最小时，系统达到平衡态； 冷却过程——使粒子热运动减弱并渐趋有序，系统能量 逐渐下降，从而得到低能的晶体结构。
(2)随温度的下降，接受使目标函数上升的解的概率 要逐渐减小； (3)当温度趋于零时，只能接受目标函数下降的解。

方法
具体形式对算法影响不大 一般采用min[1,exp(-∆C/t)]

6 模拟退火算法关键参数和操作的设计
初温

收敛性分析
通过理论分析可以得到初温的解析式，但解决实际 问题时难以得到精确的参数；
p=exp[-(Ej-Ei)/kBT]
在高温下，可接受与当前状态能量差较大的新状态； 在低温下，只接受与当前状态能量差较小的新状态。
3模拟退火算法的原理