模擬退火演算法例子

求解某乙個方程fun(x)的極小值，很常見的以一種情況是當前的x不管增大還是減小，函式值fun(x)均是增大，這時x就是極值。這是一種完完全全的貪心演算法。這樣求出的極小值，並不一定整段函式的全域性極小值，而極可能是區域性極小值。

例如下圖

可以看出，有三個點，均是極小值點，在這是三個點處，不管增大變數，或是減小變數，目標函式的值都會增大。而只有最左邊的那個點，才是全域性最優解。

從數學模型上來看，是一種全域性極小值求解問題，擴充套件到物理意義上，舉幾個例子：

我們什麼pid引數，才是最優秀的呢？我們什麼pid引數，才能讓控制達到快準狠？自己乙個乙個的去套嗎，累死。當然也可以用計算機乙個乙個去套，但是這樣仍然非常花時間。利用模擬退火演算法，就可以很好的求出最優pid引數。

再比如我們的聚類演算法，什麼樣的碼本設計，才能使得向量量化的誤差減為最小，這仍然是乙個全域性最優搜尋問題。

求解全域性最優解，有很多方法，模擬退火法只是我們其中乙個，

除此之外，還有遺傳演算法、禁忌搜尋演算法、蟻群演算法、粒子群演算法等等。各有優缺點。

模擬退火演算法，顯著的缺點是相較其他演算法，其穩定速度較慢，優點是在引數合適的情況下基本上可以100%得到全域性最優解。

求解乙個一維輸入一維輸出函式的全域性最小解。這個思想也可以擴充套件到求解任意函式，輸出point時，的輸入應該為多少。

例如：已知函式f(x)，我們想求輸出3時的輸入x為多少。我們可以將目標函式變換為

m(x) = (f(x)-3).^2 （平方或是求絕對值）

這樣就轉換為求解m(x)全域性最小值0的問題。即當x滿足f(x)=3 時，m(x)才能滿足全域性最小值。

我的vc**裡面是求解sin(x)+cos(0.3*x)這函式，x範圍[-10 ,10]的全域性極小值。

關於模擬退火，有乙個有趣的比喻，幫助大家學習和理解：

一般區域性極小值演算法：兔子朝著比現在高的地方跳去。它找到了不遠處的最高山峰。但是這座山不一定是珠穆朗瑪峰。這就是爬山演算法，它不能保證區域性最優值就是全域性最優值。

模擬退火：兔子喝醉了。它隨機地跳了很長時間。這期間，它可能走向高處，也可能踏入平地。但是，它漸漸清醒了並朝最高方向跳去。這就是模擬退火。

模擬退火演算法是用來求解最優化問題的演算法。比如著名的tsp問題，函式最大值最小值問題等等。接下來將以如下幾個方面來詳細介紹模擬退火演算法。

1. 模擬退火演算法認識

2. 模擬退火演算法描述

3. 費馬點問題求解

4. 最小包含球問題求解

5. 函式最值問題求解

6. tsp問題求解