之前覺得模擬退火演算法是很高大上的存在，一直沒有去了解。然後上次數模校賽我們就用到了模擬退火演算法，發現思路其實並不複雜。
模擬退火(simulated annealing)，**於熱力學上的退火現象。退火現象就是，將固體加溫再徐徐冷卻，最後在常溫時就會呈現晶體狀態。從微觀角度來看，固體加溫時，內部粒子趨於無序，內能增大；徐徐冷卻時，粒子趨於有序，內能減小，在每個溫度都達到平衡態；最後在常溫時達到基態，此時內能減到最小。
其實退火現象只是演算法思路的**，用物理學的原理是無法解釋演算法的。從演算法的角度來看，模擬退火演算法是用於解決優化問題的演算法。優化問題即滿足題目約束的條件下求最優解的問題，常用的思路有廣度優先搜尋、貪心、動態規劃等。不過當乙個優化問題規模很大時，要找到最優解幾乎是不可能的，所以我們只能去找盡可能接近最優的解。如果用一般的思路求解，往往會陷入區域性最優，而模擬退火演算法可以避免這個問題。區域性最優解相當於函式的極小值，全域性最優解相當於函式的最小值，顯然，全域性最優解才是我們的目標。
模擬退火演算法的思路模仿了退火原理。首先選取乙個初始解，然後迭代更新，最後得到最優解。每次迭代都要先用舊解得到新解，再作比較，若新解更優，則用新解代替舊解；否則，以一定概率替換舊解。也就是說，每次迭代都趨於得到乙個更優的解，最後自然會得到乙個接近最優的解。不過，當舊解更優時，新解仍然有一定概率替換舊解，這樣演算法就有了一定的隨機性，即使舊解是區域性最優，新解也有機會跳出去。考慮到隨著迭代次數的增加，舊解已經越來越接近最優了，這時就應該減小新解跳出舊解的概率。
const solution domain;
const double init_t = 100;
const double min_t = 1;
const double rate = 0.98;
const int loop = 1000;
/** * @return: the initialized solution
*/solution init();
/** * @param s: the old solution
* @param domain: the domain of solution
* @return: the new solution
*/solution getnext(solution s, solution domain);
void sa()
}t *= rate;
}}
模擬退火演算法
w 模擬退火演算法的基本思想 將乙個優化問題比擬成乙個金屬物體，將優化問題的目標函式比擬成物體的能量，問題的解比擬成物體的狀態，問題的最優解比擬成能量最低的狀態，然後模擬金屬物體的退火過程，從乙個足夠高的溫度開始，逐漸降低溫度，使物體分子從高能量狀態緩慢的過渡到低能量狀態，直至獲得能量最小的理想狀態...
模擬退火演算法
一些求解極值的問題不能通過函式特性直接求解，只能暴力列舉，但是單純的列舉效率不高，通過模擬退火演算法可以高效的找到答案。學習好博文 最小圓覆蓋 hdu 3007 buried memory 大意 給出一些點，求出能覆蓋他們的最小的圓。輸出圓心和半徑 include include include i...
模擬退火演算法
1.模擬退火演算法認識 爬山演算法也是乙個用來求解最優化問題的演算法，每次都向著當前上公升最快的方向往上爬，但是初始化不同可能 會得到不同的區域性最優值，模擬退火演算法就可能跳出這種區域性最優解的限制。模擬退火演算法是模擬熱力學系統 中的退火過程。在退火過程中是將目標函式作為能量函式。大致過程如下 ...