模擬退火是一種隨機化演算法，常用於求函式極值。當乙個問題的方案數量極大（甚至是無窮的），我們一般有兩個選擇。
爬山演算法每次在當前找到的最優方案
x x
附近尋找乙個新方案（一般隨機差值）。如果這個新的解 x′
' role="presentation">x′x
′更優，那麼轉移到 x′
x
′否則不變。
這種演算法對於單峰函式顯然可行（你都知道是單峰函式了為什麼不三分呢）
但是對於多數需要求解的函式中，爬山演算法很容易進入乙個區域性最優解，如下圖（最優解為
⇑ ⇑
，而爬山演算法可能找到的最優解為
根據爬山演算法的過程，我們發現：對於乙個當前最優解附近的非最優解，爬山演算法直接捨去了這個解。而很多情況下，我們需要去接受這個非最優解從而跳出這個區域性最優解，即為模擬退火演算法。
由於退火的規律引入了更多隨機因素，那麼我們得到最優解的概率會大大增加。於是我們可以去模擬這個過程，將目標函式作為能量函式。
模擬退火演算法描述
我們定義當前溫度為
t t
，新狀態與已知狀態（由已知狀態通過隨機的方式得到）之間的能量（值）差為 δe
' role="presentation">δeδ
e（δe
⩾0δ e⩾
0），則發生狀態轉移（修改最優解）的概率為 p(
δe)=
double calc(double xx,double yy)
if(resreturn res;
}void simulateanneal()
for(int i=1;i<=1000;++i)
}int main()
ansx/=n,ansy/=n,dis=calc(ansx,ansy);
simulateanneal();
printf("%.3lf %.3lf\n",ansx,ansy);
return
0;}
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 ...