模拟退火算法原理及matlab源代码

1、模拟退火算法模拟退火算法是一种通用的随机搜索算法，是局部搜索算法的扩展。它的思想是再1953年由metropolis提出来的，到1983年由kirkpatrick等人成功地应用在组合优化问题中。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，最后在常温时达到基态，内能减为最小。根据Metropolis准则，粒子在温度T时趋于平衡的概率为e-AE/(kT),其中E为温度T时的内能，AE为其改变量，k为Boltzmann常数。用固体退火模拟组合优化问题，将内能E模拟为目标函数值f,

2、温度T演化成控制参数t,即得到解组合优化问题的模拟退火算法：由初始解i和控制参数初值t开始，对当前解重复“产生新解-计算目标函数差一接受或舍弃”的迭代，并逐步衰减t值，算法终止时的当前解即为所得近似最优解，这是基于蒙特卡罗迭代求解法的一种启发式随机搜索过程。退火过程由冷却进度表(CoolingSchedule)控制，包括控制参数的初值t及其衰减因子At、每个t值时的迭代次数L和停止条件So模拟退火算法新解的产生和接受可分为如下四个步骤：第一步是由一个产生函数从当前解产生一个位于解空间的新解；为便于后续的计算和接受，减少算法耗时，通常选择由当前新解经过简单地变换即可产生新解的方法，如对构成新解的

3、全部或部分元素进行置换、互换等，注意到产生新解的变换方法决定了当前新解的邻域结构，因而对冷却进度表的选取有一定的影响。第二步是计算与新解所对应的目标函数差。因为目标函数差仅由变换部分产生，所以目标函数差的计算最好按增量计算。事实表明，对大多数应用而言，这是计算目标函数差的最快方法。第三步是判断新解是否被接受，判断的依据是一个接受准则，最常用的接受准则是Metropo1is准则：若At'<0则接受S'作为新白当前解S,否则以概率exp(-“/T)接受S'作为新白当前解So第四步是当新解被确定接受时，用新解代替当前解，这只需将当前解中对应于产生新解时的变换部分予以实现

4、，同时修正目标函数值即可。此时，当前解实现了一次迭代。可在此基础上开始下一轮试验。而当新解被判定为舍弃时，则在原当前解的基础上继续下一轮试验。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。模拟退火算法的步骤：(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)计算增量久=C(S')-C(S),其中C(S)为评价函数(5)若At'

5、;<0则接受S'作为新的当前解，否则以概率exp(-At'/T)接受S'作为新白当前解.(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。退火算法解非线性方程组Matlab程序clear,clc应是退火算法的主程序，它需要调用的函数是%®数(1)nonLinearSumError1:计算非线性方程组总误差的函数%®数(2)newSolver1:在一组解的邻域产生另一组解%®数(3)isSolution:验证方程是否得解烦置初始

6、值i=0;T=10001;j=0;%i:同一温度下状态转移次数;T:温度；j:下降温度precision=0.1;x1Group=1;%x1Group:可能解的组数x1N=4;%|营线性方程组的元数x1=round(-0.5+rand(x1Group,x1N)*20);%随机生成-1010之间的初解errorHold=Inf;xHold=0;%x1=-751-3;i=0;whilei<200i=i+1;j=0；T=T-50;%退火whilej<200j=j+1;functionError1=nonLinearSumError1(x1);%计算x1的误差x2=newSolver1(x

7、1,functionError1,-10,1,10);%在x1的邻域生成新一组解x2functionError2=nonLinearSumError1(x2);%计算x2的误差%佥查方程是否得解solution1,minError1,isTrue1=isSolution(x1,functionError1,precision);solution2,minError2,isTrue2=isSolution(x2,functionError2,precision);ifisTrue1=1方程得解'functionError1solutiourni,jreturnelseifisTrue2=

8、1方程得解'solution2functionError2i,jreturnend%x1%x2iffunctionError2-functionError1<0x1=x2;%x2比x1好，用x2取代x1elseiferrorHold-functionError2<0%x1=xHold;elsep_x2x1=exp(-log(functionError2-functionError1)/T);屈态转移概率，注意：误差取对数，因为要解的非线性方程组比较复杂，阿能解的一点偏差会引起方程很大的变化。所以通过取对数缩小差距。ifrand(1)<p_x2x1%状态转移xHold=

9、x1;%hHold:把比较好的解保留下来errorHold=functionError1;%比较好的解对应的误差x1=x2;endendendendsolution1functionError1solution2functionError2函数(1):计算待解方程的绝对总误差functionfuntionError=nonLinearSumError1(X)%方程的解是-7,5,1,-3funtionError=.abs(X(:,1).A2-sin(X(:,2),A3)+X(:,3).A2-exp(X(:,4)-50.566253390821)+.abs(X(:,1)A3+X(:,2)A2-X

10、(:,4)A2+327)+.abs(cos(X(:,1)A4)+X(:,2)A4-X(:,3)A3-624.679868769613)+.abs(X(:,1)A4-X(:,2)A3+2.AX(:,3)-X(:,4)A4-2197)；函数(2):在x1的领域产生一组新的解%newSolver1根据x1的误差给出一个新的可能解xfunctionx2=newSolver1(x1,x1Error,leftBound,distance,rightBound)%parameter=leftBound,distance,rightBound%leftBound:解空间的左边界，distance:可能解的间隔

11、，rightBound:解空间的右边界%军空间是指在一个坐标轴上解的左右边界和解之间的间隔x1Group,x1N=size(x1);%x1Group:x1的行数，x1N:方程的元数%round(-0.5+rand(x1Group,x1N)*2)ifx1Error<=30%在解空间上移动1格x2=x1+round(-0.5+rand(x1Group,x1N)*2)*distance;k=x2<leftBound;%防止新解越过左边界x2(:,k)=leftBound;k=x2>rightBound;%防止新解越过右边界x2(:,k)=rightBound;elseifx1Err

12、or>30&&x1Error<=100%在解空间上移动3格以下x2=x1+round(-0.5+rand(x1Group,x1N)*6)*distance;k=x2<leftBound;x2(:,k)=leftBound;k=x2>rightBound;x2(:,k)=rightBound;elseifx1Error>100&&x1Error<=1000%在解空间上移动9格以下x2=x1+round(-0.5+rand(x1Group,x1N)*20)*distance;k=x2<leftBound;x2(:,k)=le

13、ftBound;k=x2>rightBound;x2(:,k)=rightBound;elseifx1Error>1000&&x1Error<=10000%在解空间上移动20格以下x2=x1+round(-0.5+rand(x1Group,x1N)*40)*distance;k=x2<leftBound;x2(:,k)=leftBound;k=x2>rightBound;x2(:,k)=rightBound;elseifx1Error>10000%在解空间上移动30格以下x2=x1+round(-0.5+rand(x1Group,x1N)*60)*distance;k=x2<leftBound;x2(:,k)=leftBound;k=x2>rightBound;x2(:,k)=rightBound;endifx1=x2x2=round(-0.5+rand(x1Group,x1N)