当前位置：首页 > news >正文

Python模拟退火算法

news 2025/7/18 8:01:53

模拟退火算法简介

模拟退火算法（Simulated Annealing, SA）是一种基于物理退火过程的随机搜索算法，用于寻找全局最优解。其灵感来源于物理中的退火过程，退火是指将固体材料加热到高温再逐渐冷却，使其内部结构趋于有序状态，从而达到能量最低的稳定状态。模拟退火算法通过引入“温度”参数，逐渐降低“温度”，从而减少接受较差解的概率，最终收敛到全局最优解。

模拟退火算法的步骤

初始化：
- 设置初始解和初始温度。
- 定义目标函数。
生成新解：
- 在当前解的邻域中随机生成一个新解。
接受新解：
- 计算新解的目标函数值。如果新解比当前解好，则接受新解。
- 如果新解比当前解差，则根据一定的概率接受该解，接受概率与当前温度和目标函数差值相关。
降温：
- 按照一定的策略降低温度（例如线性降温或指数降温）。
迭代：
- 重复步骤2至步骤4，直到温度降至某个阈值或达到最大迭代次数。
输出结果：
- 返回最终的最优解。

模拟退火算法的Python实现

我们将通过Python实现模拟退火算法，并通过解决一个简单的函数优化问题来演示该算法的应用。

场景：函数优化问题

在这里插入图片描述

import numpy as np
import matplotlib.pyplot as pltdef objective_function(x):return x**2 + 4 * np.sin(5 * x) + 0.1 * x**4def simulated_annealing(objective_function, bounds, n_iterations, initial_temp, cooling_rate):best = bounds[0] + (bounds[1] - bounds[0]) * np.random.rand()best_eval = objective_function(best)curr, curr_eval = best, best_evaltemp = initial_tempfor i in range(n_iterations):candidate = curr + np.random.uniform(-1, 1)candidate = np.clip(candidate, bounds[0], bounds[1])candidate_eval = objective_function(candidate)if candidate_eval < best_eval:best, best_eval = candidate, candidate_evaldiff = candidate_eval - curr_evalt = np.exp(-diff / temp)if diff < 0 or np.random.rand() < t:curr, curr_eval = candidate, candidate_evaltemp = temp * cooling_ratereturn best, best_eval# 参数设置
bounds = [-10, 10]  # 搜索空间
n_iterations = 1000  # 迭代次数
initial_temp = 10.0  # 初始温度
cooling_rate = 0.99  # 降温速率# 运行模拟退火算法
best_solution, best_value = simulated_annealing(objective_function, bounds, n_iterations, initial_temp, cooling_rate)
print(f"最优解: x = {best_solution}, 最小值: f(x) = {best_value}")# 绘制结果
x = np.linspace(bounds[0], bounds[1], 1000)
y = objective_function(x)
plt.plot(x, y, label='Objective Function')
plt.plot(best_solution, best_value, 'ro', label='Best Solution')
plt.title('Simulated Annealing Optimization')
plt.xlabel('x')
plt.ylabel('f(x)')
plt.legend()
plt.show()

代码解释

目标函数：
- objective_function定义了我们要最小化的函数。
模拟退火主循环：
- 初始解best随机生成，并在其邻域内生成候选解candidate。
- 通过计算目标函数值candidate_eval来决定是否接受新解。
- 如果新解更优，则直接接受。如果不如当前解，则根据概率t来决定是否接受，这种机制允许算法跳出局部最优，寻找全局最优。
温度下降：
- 温度temp逐渐下降，降低接受较差解的概率，最终收敛到最优解。
结果输出与绘图：
- 打印最优解best_solution及其对应的最小值best_value。
- 使用Matplotlib绘制函数曲线及最优解位置。