退役很久了，今天看一篇*****用sa演算法代替隨機梯度優化神經網路，故學習一波sa演算法。
因為網上的資料很多，所以這裡就不多說啦。
詳情可以看
高中生太強啦
這裡放乙個模板~
如圖：有n個重物，每個重物繫在一條足夠長的繩子上。每條繩子自上而下穿過桌面上的洞，然後繫在一起。圖中x處就是公共的繩結。假設繩子是完全彈性的（不會造成能量損失），桌子足夠高（因而重物不會垂到地上），且忽略所有的摩擦。
問繩結x最終平衡於何處。
注意：桌面上的洞都比繩結x小得多，所以即使某個重物特別重，繩結x也不可能穿過桌面上的洞掉下來，最多是卡在某個洞口處。
輸入格式：
檔案的第一行為乙個正整數n（1≤n≤1000），表示重物和洞的數目。接下來的n行，每行是3個整數：xi.yi.wi，分別表示第i個洞的座標以及第 i個重物的重量。(-10000≤x,y≤10000, 0輸出格式：
你的程式必須輸出兩個浮點數（保留小數點後三位），分別表示處於最終平衡狀態時繩結x的橫座標和縱座標。兩個數以乙個空格隔開。
輸入樣例#1：複製
3輸出樣例#1：複製0 0 1
0 2 1
1 1 1
0.577 1.000[jsoi]
**：
#include using namespace std;
const int n = 1e4+10;
struct point
}p[n];
int n;
double g[n];
point ans;
double minans=dbl_max;
double rand()
double sqr(double a)
double eulc(point a,point b)
double calc(point a)
tmp*=dec;
}for(int i=0;i<10000;i++)
return now;
}int main()
{ while(scanf("%d",&n)!=eof)
{point init;
init.x=init.y=0.0;
for(int i=0;i能不能ac全看臉，啟發式演算法為了逼近全域性最優解，其中包含有隨機值。
當然實際使用中，我們往往並不需要最優解，而只要乙個逼近最優解的值就行了。
模擬退火演算法（SA）
介紹模擬退火前，先介紹爬山演算法。爬山演算法是一種簡單的貪心搜尋演算法，該演算法每次從當前解的臨近解空間中選擇乙個最優解作為當前解，直到達到乙個區域性最優解。爬山演算法實現很簡單，其主要缺點是會陷入區域性最優解，而不一定能搜尋到全域性最優解。如圖1所示 假設c點為當前解，爬山演算法搜尋到a點這個區域...
模擬退火模板
個人感覺模擬退火就是通過隨機法逐步趨近於最優值。結合例題進行說明 一 求三角形的費馬點 平面內到三個頂點距離和最小的點 includeusing namespace std struct point p 5 int row 4 向四個方向移動點尋找最優解 int col 4 double len p...
matlab練習程式（模擬退火SA）
模擬退火首先從某個初始候選解開始，當溫度大於0時執行迴圈。在迴圈中，通過隨機擾動產生乙個新的解，然後求得新解和原解之間的能量差，如果差小於0，則採用新解作為當前解。如果差大於0，則採用乙個當前溫度與能量差成比例的概率來選擇是否接受新解。溫度越低，接受的概率越小，差值越大，同樣接受概率越小。是否接受的...