关于模拟退火通俗解释

jaypu1991

一. 爬山算法 ( Hill Climbing )
  A' m/ f* L. H7 s* p
         介绍模拟退火前，先介绍爬山算法。爬山算法是一种简单的贪心搜索算法，该算法每次从当前解的临近解空间中选择一个最优解作为当前解，直到达到一个局部最优解。
. H* o; L, w& v7 \% L* H3 A
0 ?4 b/ }" ]7 D! |3 g& n( l" y6 |         爬山算法实现很简单，其主要缺点是会陷入局部最优解，而不一定能搜索到全局最优解。如图1所示：假设C点为当前解，爬山算法搜索到A点这个局部最优解就会停止搜索，因为在A点无论向那个方向小幅度移动都不能得到更优的解。
4 Y. p# e. a" q" t  i4 k

( {$ e) n: {3 A; }  q! \二. 模拟退火(SA,Simulated Annealing)思想
! G; [0 w! \9 \, R5 o# ]/ Z
         爬山法是完完全全的贪心法，每次都鼠目寸光的选择一个当前最优解，因此只能搜索到局部的最优值。模拟退火其实也是一种贪心算法，但是它的搜索过程引入了随机因素。模拟退火算法以一定的概率来接受一个比当前解要差的解，因此有可能会跳出这个局部的最优解，达到全局的最优解。以图1为例，模拟退火算法在搜索到局部最优解A后，会以一定的概率接受到E的移动。也许经过几次这样的不是局部最优的移动后会到达D点，于是就跳出了局部最大值A。

         模拟退火算法描述：
- u$ t3 F$ H& J8 B) h$ v1 j% o
( B7 h/ {. C! f+ Z5 v: }+ J3 I         若J( Y(i+1) )>= J( Y(i) )  (即移动后得到更优解)，则总是接受该移动
. R5 X4 [+ Y5 Z5 F9 U6 b! q0 r; x  W
6 J% x5 }# Y2 U3 P; v9 Y" N         若J( Y(i+1) )< J( Y(i) )  (即移动后的解比当前解要差)，则以一定的概率接受移动，而且这个概率随着时间推移逐渐降低（逐渐降低才能趋向稳定）

　　这里的“一定的概率”的计算参考了金属冶炼的退火过程，这也是模拟退火算法名称的由来。

　　根据热力学的原理，在温度为T时，出现能量差为dE的降温的概率为P(dE)，表示为：
1 ~! n% d: ~0 H+ d; o
　　　　P(dE) = exp( dE/(kT) )
$ a, h4 h9 p" U* q; X/ H! Z
　　其中k是一个常数，exp表示自然指数，且dE<0。这条公式说白了就是：温度越高，出现一次能量差为dE的降温的概率就越大；温度越低，则出现降温的概率就越小。又由于dE总是小于0（否则就不叫退火了），因此dE/kT < 0 ，所以P(dE)的函数取值范围是(0,1) 。
$ ]+ g4 F: i7 k
$ I, T  u6 V; C) M7 r- h　　随着温度T的降低，P(dE)会逐渐降低。
" J, `; p1 n/ p
　　我们将一次向较差解的移动看做一次温度跳变过程，我们以概率P(dE)来接受这样的移动。
/ P7 r% R, D6 x, I. M) Z4 ~+ P% @+ w3 Y4 _
　　关于爬山算法与模拟退火，有一个有趣的比喻：
6 @+ Z8 l! _. ?
　　爬山算法：兔子朝着比现在高的地方跳去。它找到了不远处的最高山峰。但是这座山不一定是珠穆朗玛峰。这就是爬山算法，它不能保证局部最优值就是全局最优值。
! ]& a; n* X/ Q- J7 w; m. Q
; P* I, f* w! J0 O$ V: P' [9 A3 y4 |　　模拟退火：兔子喝醉了。它随机地跳了很长时间。这期间，它可能走向高处，也可能踏入平地。但是，它渐渐清醒了并朝最高方向跳去。这就是模拟退火。

bai402728119

好东西 顶一个
5 x3 X' b$ k8 n; w

马拥华

很形象，谢谢

coolboy94psj

lz把退火吃得很透啊，小白前来观摩

luuuz

很好的东西，很容易理解~

我就在你背后

太好了。。。。。。。。。。。。。

啾啾

好东西，谢谢

dailifeng

ddddddddddddddddddddddddddddddddddddddddddddd

dailifeng

dddddddddddddddddddddddddddddddddddddddddddddddddddddddddddddddd

傆始ょ誋忆

沙发沙发