国产 无码 综合区,色欲AV无码国产永久播放,无码天堂亚洲国产AV,国产日韩欧美女同一区二区

數(shù)學(xué)建模之模擬退火法(SA)

這篇具有很好參考價值的文章主要介紹了數(shù)學(xué)建模之模擬退火法(SA)。希望對大家有所幫助。如果存在錯誤或未考慮完全的地方,請大家不吝賜教,您也可以點擊"舉報違法"按鈕提交疑問。

    1. 算法介紹

模擬退火算法(SA)是一種模擬物理退火過程而設(shè)計的優(yōu)化算法。

它的基本思想最早在1953年就被Metropolis提出,但直到1983年,Kirkpatrick等人才設(shè)計出真正意義上的模擬退火算法并進(jìn)行應(yīng)用。

模擬退火算法采用類似于物理退火的過程。先在一個高溫狀態(tài)下,然后逐漸退火,在每個溫度下慢慢冷卻,最終達(dá)到物理基態(tài)(相當(dāng)于算法找到最優(yōu)解)。

    1. 算法應(yīng)用

求解TSP問題、求最值、全局優(yōu)化、生產(chǎn)調(diào)度、控制工程、機器學(xué)習(xí)、信號處理等問題。

    1. 算法特性

模擬退火算法源于對固體退火過程的模擬,采用Metropolis準(zhǔn)則,并用一組稱為冷卻進(jìn)度表的參數(shù)控制算法的進(jìn)程,使得算法在多項式時間里可以給出一個近似最優(yōu)解。

模擬退火算法在某一初溫下,伴隨溫數(shù)的不斷下降,結(jié)合概率突跳特性在解空間中隨機尋找目標(biāo)函數(shù)的全局最優(yōu)解。即在局部最優(yōu)解的空間內(nèi)能概率性地跳出并最終趨于全局最優(yōu)。(不在局限于局部最優(yōu))

    1. 算法名詞解釋

退火:將固體加熱到足夠高的溫度,使分子呈隨機排列狀態(tài),保持足夠的時間,然后以適宜的速度逐步降溫。使之冷卻,最后分子以低能狀態(tài)排列,固體達(dá)到內(nèi)能最小的穩(wěn)定狀態(tài)。(加溫—等溫—冷卻)

      1. 退火過程:

1、在初始狀態(tài),固體內(nèi)部的粒子存在非均勻狀態(tài)。

2、加熱到一定溫度,增強其粒子的熱運動,使粒子偏離其平衡位置,消除原來的非均勻狀態(tài)。

3、讓溫度慢慢降低,達(dá)到熱平衡狀態(tài),粒子逐漸均勻有序,最終達(dá)到內(nèi)能最小的狀態(tài)。

    1. 算法步驟

1.設(shè)定當(dāng)前解(即為當(dāng)前的最優(yōu)解):令T=模擬退火,數(shù)學(xué)建模,算法,機器學(xué)習(xí),人工智能,python?,即開始退火的初始溫度,隨機生成一個初始解模擬退火,數(shù)學(xué)建模,算法,機器學(xué)習(xí),人工智能,python?,并計算相應(yīng)的目標(biāo)函數(shù)值E(模擬退火,數(shù)學(xué)建模,算法,機器學(xué)習(xí),人工智能,python?)。

2.產(chǎn)生新解與當(dāng)前解差值:根據(jù)當(dāng)前解模擬退火,數(shù)學(xué)建模,算法,機器學(xué)習(xí),人工智能,python進(jìn)行擾動,產(chǎn)生一個新解?模擬退火,數(shù)學(xué)建模,算法,機器學(xué)習(xí),人工智能,python,計算相應(yīng)的目標(biāo)函數(shù)值E(模擬退火,數(shù)學(xué)建模,算法,機器學(xué)習(xí),人工智能,python?),得到????=??(模擬退火,數(shù)學(xué)建模,算法,機器學(xué)習(xí),人工智能,python?)???(模擬退火,數(shù)學(xué)建模,算法,機器學(xué)習(xí),人工智能,python?)。

3.判斷新解是否被接受:若????<??,則新解模擬退火,數(shù)學(xué)建模,算法,機器學(xué)習(xí),人工智能,python?被接受;若????>??,則新解模擬退火,數(shù)學(xué)建模,算法,機器學(xué)習(xí),人工智能,python?按概率模擬退火,數(shù)學(xué)建模,算法,機器學(xué)習(xí),人工智能,python接受,?模擬退火,數(shù)學(xué)建模,算法,機器學(xué)習(xí),人工智能,python為當(dāng)前溫度。

4.當(dāng)新解被確定接受時:新解模擬退火,數(shù)學(xué)建模,算法,機器學(xué)習(xí),人工智能,python?被作為當(dāng)前解。

5.循環(huán)以上四個步驟:在溫度模擬退火,數(shù)學(xué)建模,算法,機器學(xué)習(xí),人工智能,python?下,重復(fù)k次的擾動和接受過程,接著執(zhí)行下一步驟。

6.最后找到全局最優(yōu)解:判斷T是否已經(jīng)達(dá)到終止溫度?模擬退火,數(shù)學(xué)建模,算法,機器學(xué)習(xí),人工智能,python,是,則終止算法;否,則轉(zhuǎn)到循環(huán)步驟繼續(xù)執(zhí)行。

      1. 冷卻進(jìn)度表

退火過程由一組初始參數(shù),即冷卻進(jìn)度表控制。它的目的是盡量使系統(tǒng)達(dá)到平衡,以使算法在有限的時間內(nèi)逼近最優(yōu)解。

冷卻進(jìn)度表包括:

1.控制溫度參數(shù)的初值T0

2.控制溫度T的衰減函數(shù)(溫度的更新)

3.馬爾科夫鏈的的長度Lk(迭代次數(shù))

4.控制參數(shù)T的終值(停止準(zhǔn)則)

模擬退火,數(shù)學(xué)建模,算法,機器學(xué)習(xí),人工智能,python

組合優(yōu)化問題

金屬物體

粒子狀態(tài)

最優(yōu)解

能量最低的狀態(tài)

設(shè)定初溫

熔解過程

Metropolis接受過程

溫過程

控制參數(shù)的下降

冷卻

目標(biāo)函數(shù)

能量

    1. 模擬退火算法的優(yōu)缺點

優(yōu)點:

高效地求解NP完全問題(如TSP問題,0-1背包問題等)。

相較于其他非線性與優(yōu)化算法,模擬退火算法編程工作量小且易于實現(xiàn)。

缺點:

使用不當(dāng),可能會陷入局部最優(yōu)

參數(shù)難以控制,所得結(jié)果可能為接近最優(yōu)解但并非最優(yōu)解。

    1. 案例1:求解TSP問題

問題描述:現(xiàn)有34個城市,已知其坐標(biāo);從其中某一城市作為起點出發(fā),途徑其他的所有城市,然后回到起點,要求走過的距離最短。

模擬退火,數(shù)學(xué)建模,算法,機器學(xué)習(xí),人工智能,python

?結(jié)果如下所示:

模擬退火,數(shù)學(xué)建模,算法,機器學(xué)習(xí),人工智能,python

模擬退火,數(shù)學(xué)建模,算法,機器學(xué)習(xí),人工智能,python

?模擬退火,數(shù)學(xué)建模,算法,機器學(xué)習(xí),人工智能,python文章來源地址http://www.zghlxwxcb.cn/news/detail-797944.html

到了這里,關(guān)于數(shù)學(xué)建模之模擬退火法(SA)的文章就介紹完了。如果您還想了解更多內(nèi)容,請在右上角搜索TOY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章,希望大家以后多多支持TOY模板網(wǎng)!

本文來自互聯(lián)網(wǎng)用戶投稿,該文觀點僅代表作者本人,不代表本站立場。本站僅提供信息存儲空間服務(wù),不擁有所有權(quán),不承擔(dān)相關(guān)法律責(zé)任。如若轉(zhuǎn)載,請注明出處: 如若內(nèi)容造成侵權(quán)/違法違規(guī)/事實不符,請點擊違法舉報進(jìn)行投訴反饋,一經(jīng)查實,立即刪除!

領(lǐng)支付寶紅包贊助服務(wù)器費用

相關(guān)文章

  • 【數(shù)學(xué)建?!俊秾崙?zhàn)數(shù)學(xué)建模:例題與講解》第十四講-模擬退火、遺傳算法(含Matlab代碼)

    【數(shù)學(xué)建?!俊秾崙?zhàn)數(shù)學(xué)建模:例題與講解》第十四講-模擬退火、遺傳算法(含Matlab代碼)

    本系列側(cè)重于例題實戰(zhàn)與講解,希望能夠在例題中理解相應(yīng)技巧。文章開頭相關(guān)基礎(chǔ)知識只是進(jìn)行簡單回顧,讀者可以搭配課本或其他博客了解相應(yīng)章節(jié),然后進(jìn)入本文正文例題實戰(zhàn),效果更佳。 如果這篇文章對你有幫助,歡迎點贊與收藏~ 現(xiàn)代優(yōu)化算法,自20世紀(jì)80年代初開

    2024年02月04日
    瀏覽(27)
  • 模擬退火算法與遺傳算法求解多目標(biāo)優(yōu)化問題的算法實現(xiàn)(數(shù)學(xué)建模)

    模擬退火算法與遺傳算法求解多目標(biāo)優(yōu)化問題的算法實現(xiàn)(數(shù)學(xué)建模)

    模擬退火算法是一種全局優(yōu)化算法,解決的問題通常是找到一個最小化(或最大化)某個函數(shù)的全局最優(yōu)解。它通過模擬物理退火的過程來搜索解空間,在開始時以一定的溫度隨機生成初始解,然后一步步降低溫度,同時在當(dāng)前解的周圍隨機搜索新的解,并根據(jù)一定概率接受

    2024年02月02日
    瀏覽(27)
  • 數(shù)學(xué)建模|通過模擬退火算法求解供貨與選址問題:問題二(python代碼實現(xiàn))

    數(shù)學(xué)建模|通過模擬退火算法求解供貨與選址問題:問題二(python代碼實現(xiàn))

    今天繼續(xù)用模擬退火算法供貨與選址問題的問題二,如果還沒看過問題一的可以看我之前的博客 數(shù)學(xué)建模|通過模擬退火算法求解供應(yīng)與選址問題:問題一(python代碼實現(xiàn))-CSDN博客 這里還是把題目放上來(題目來自數(shù)學(xué)建模老哥的視頻): 那么我們可以分析一下,第一問和

    2024年01月16日
    瀏覽(21)
  • 【數(shù)學(xué)建模】模擬退火全解析

    【數(shù)學(xué)建?!磕M退火全解析

    和局部束搜索相反,模擬退火將最優(yōu)化策略改變,引入隨機噪聲,不一定每次都是最優(yōu),但是內(nèi)部機制保證了最終的走向是最優(yōu),總的過程可以理解為初期廣泛探索(Exploration),逐步過渡到深挖(Exploitation)。其中機理比較復(fù)雜,我們逐步去理解。 首先聲明,我們這里還是

    2024年02月02日
    瀏覽(24)
  • 數(shù)學(xué)建?!M退火優(yōu)化投影尋蹤

    數(shù)學(xué)建?!M退火優(yōu)化投影尋蹤

    提示:文章寫完后,目錄可以自動生成,如何生成可參考右邊的幫助文檔 ??在考慮綜合評價的時候,我們使用了各自主觀、客觀的方法去求解權(quán)重,客觀權(quán)重的計算依靠著數(shù)據(jù)本身的分布來決定,有時候會出現(xiàn)各種各樣不可抗拒的意外情況,其中在熵權(quán)法的解釋在就有提到

    2024年02月11日
    瀏覽(16)
  • 數(shù)學(xué)建模-退火算法和遺傳算法

    數(shù)學(xué)建模-退火算法和遺傳算法

    退火算法和遺傳算法 一.退火算法 退火算法Matlab程序如下: [W]=load(\\\'D:100個目標(biāo)經(jīng)度緯度.txt\\\'); 二、遺傳算法 [E]=xlsread(\\\'D:100個目標(biāo)經(jīng)度緯度\\\'); ?% 加載敵方 100 個目標(biāo)的數(shù)據(jù), 數(shù)據(jù)按照表格中的位置保存在純文本文件 sj.txt 中 x=[E(:,1)]; y=[E(:,2)]; e =[x y]; d1=[70,40]; e =[d1; ?e ;d1];

    2024年02月20日
    瀏覽(25)
  • 數(shù)學(xué)建模--退火算法求解最值的Python實現(xiàn)

    數(shù)學(xué)建模--退火算法求解最值的Python實現(xiàn)

    目錄 1.算法流程簡介 2.算法核心代碼 3.算法效果展示

    2024年02月09日
    瀏覽(26)
  • 智能優(yōu)化算法學(xué)習(xí)筆記(2)–模擬退火算法(SA)

    智能優(yōu)化算法學(xué)習(xí)筆記(2)–模擬退火算法(SA)

    模擬退火算法( Simulated Annealing ,簡稱 SA )的思想最早是由 Metropolis 等提出的。其出發(fā)點是基于物理中固體物質(zhì)的退火過程與一般的組合優(yōu)化問題之間的相似性。模擬退火算法是一種通用的優(yōu)化算法,其物理退火過程由以下三部分組成: 加溫過程 。其目的是增強粒子的熱運

    2024年02月05日
    瀏覽(68)
  • python機器學(xué)習(xí)經(jīng)典算法代碼示例及思維導(dǎo)圖(數(shù)學(xué)建模必備)

    python機器學(xué)習(xí)經(jīng)典算法代碼示例及思維導(dǎo)圖(數(shù)學(xué)建模必備)

    最近幾天學(xué)習(xí)了機器學(xué)習(xí)經(jīng)典算法,通過此次學(xué)習(xí)入門了機器學(xué)習(xí),并將經(jīng)典算法的代碼實現(xiàn)并記錄下來,方便后續(xù)查找與使用。 這次記錄主要分為兩部分:第一部分是機器學(xué)習(xí)思維導(dǎo)圖,以框架的形式描述機器學(xué)習(xí)開發(fā)流程,并附有相關(guān)的具體python庫,做索引使用;第二部

    2024年02月12日
    瀏覽(25)
  • 回歸預(yù)測 | MATLAB實現(xiàn)SA-ELM模擬退火算法優(yōu)化極限學(xué)習(xí)機多輸入單輸出回歸預(yù)測(多指標(biāo),多圖)

    回歸預(yù)測 | MATLAB實現(xiàn)SA-ELM模擬退火算法優(yōu)化極限學(xué)習(xí)機多輸入單輸出回歸預(yù)測(多指標(biāo),多圖)

    效果一覽 基本介紹 回歸預(yù)測 | MATLAB實現(xiàn)SA-ELM模擬退火算法優(yōu)化極限學(xué)習(xí)機多輸入單輸出回歸預(yù)測(多指標(biāo),多圖),輸入多個特征,輸出單個變量,多輸入單輸出回歸預(yù)測; 多指標(biāo)評價,代碼質(zhì)量極高;excel數(shù)據(jù),方便替換,運行環(huán)境2018及以上。 程序設(shè)計 完整源碼和數(shù)據(jù)

    2024年02月11日
    瀏覽(33)

覺得文章有用就打賞一下文章作者

支付寶掃一掃打賞

博客贊助

微信掃一掃打賞

請作者喝杯咖啡吧~博客贊助

支付寶掃一掃領(lǐng)取紅包,優(yōu)惠每天領(lǐng)

二維碼1

領(lǐng)取紅包

二維碼2

領(lǐng)紅包