zoukankan      html  css  js  c++  java
  • 智能算法:模拟退火算法

    模拟退火算法是一种随机类全局优化方法。

    模拟退火算法能够处理任何连续或离散型变量,其搜索方式能够根据目标函数的变化自适应调整,对任意目标函数,他总能得到问题的全局最优解。

    题目同上一篇遗传算法https://www.cnblogs.com/kmxojer/p/12297880.html

    opt_minmax=1; %目标优化类型:1最大化、-1最小化
    sub=-1; %变量取值下限
    up=2.5; %变量取值上限
    delt=(up-sub)/5;
    yita=0.99;
    trace=[]; %模拟退火迭代性能跟踪器
    k_total=3000; %迭代总次数
    tx=sub:0.1:up; 
    y=fun_sigv(tx);
    T=max(y)-min(y); %模拟温度初始化
    plot(tx,y)
    xlabel('x')
    ylabel('y')
    title('一元函数优化结果')
    hold on
    x0=sub+(up-sub)*rand;
    f0=fun_sigv(x0); %随机产生初始点
    k=0;
    plot(x0,f0,'ro','linewidth',2) %在函数图像上标出初始点位置
    while k<k_total
        x1=x0+(2*rand-1)*delt;
        x1=min(x1,up);
        x1=max(x1,sub); %在当前点附近随机产生下一个迭代点位置,并保证在所考察区域内
        f1=fun_sigv(x1);
        if opt_minmax*f1>opt_minmax*f0 %迭代点优于当前点,接受迭代结果并设置为当前点
            x0=x1;
            f0=f1;
        elseif rand<exp(opt_minmax*(f1-f0)/T) %迭代点劣于当前点,以Boltzmann概率接受迭代结果并设置为当前点
                x0=x1;
                f0=f1;
            end
            T=yita*T; %以缓慢速度衰减温度T
            k=k+1;
            trace=[trace;f0]; %跟踪模拟退火的迭代优化过程
            
            [x0,f0]
    end
        plot(x0,f0,'r*','linewidth',2)
        figure
        plot(trace(:),'r-*')
        hold on
        xlabel('迭代次数')
        ylabel('目标函数优化情况')
        title('一元函数优化过程')

    过程:

    结果:

  • 相关阅读:
    形态学操作
    形态学腐蚀膨胀操作
    图像模糊操作
    OpenCV像素操作和图形绘制
    c++中char类型的取值范围
    二叉树基本操作
    剑指27 二叉树的镜像
    剑指26 树的子结构
    剑指24: 反转链表
    剑指22 链表倒数第k个节点
  • 原文地址:https://www.cnblogs.com/kmxojer/p/12299031.html
Copyright © 2011-2022 走看看