1.模拟退火介绍

​ 模拟退火是模拟物理上退火方法，通过N次迭代（退火），逼近函数的上的一个最值（最大或者最小值）。比如在下面函数去逼近最大值C点

1.1模拟退火的可行性

​ 模拟退火算法得益于材料统计力学的研究成果。

​ 鉴于固体的退火原理，当固体的温度很高的时候，内能比较大，固体的内部粒子处于快速无序运动，当温度慢慢降低的过程中，固体的内能减小，粒子的慢慢趋于有序，最终，当固体处于常温时，内能达到最小，此时，粒子最为稳定。

​ 如果用粒子的能量定义材料的状态，退火算法用一个简单的数学模型描述了退火的过程。假设材料在状态i下的能量为E(i),那么材料在温度T时从状态i进入状态j就应该遵从以下规律：

（1）如果E(j)<=E(i)，那么级接收该状态。

（2）如果E(j)>E(i),那么就以一定的概率进入该状态：exp{(E(i)-E(j))/KT}

K为物理学中的玻尔兹曼常数，T为材料的温度

1.2退火模型

• 退火算法是一种循环算法
• 需要先设定一个初始的问题T【需要一个高温，模拟粒子从高温向低温退火】
• 每次循环进行一次退火
• 然后降低的温度，我们通过让和一个“降温系数”（一个接近1的小数，比如0.999)相乘，达到慢慢降低温度的效果，直到接近于0（我们用来代表一个接近0的数(比如0.00001)。

代码架构

double T=2000;	    //表示初始的温度为0.99
double dt=0.999;	//表示降温系数
double eps=1e-14;	//相对于1的负14次方，就是最后退出循环的温度while(T<eps)
{//------------------//进行一次退火操作//------------------T*=dt;		 //降低温度
}

2.详解退火

​ 我们要求的目标无法是两个：自变量x和对应的目标函数最值f(x)

2.1退火过程

• 先随机找一点x0,这也是初始粒子。【注意要随机】

• 找到对应的目标函数值

• 进行退火操作

​ 刚才我们说了x0相当于是一个粒子，所以我们会进行一个无序运动，也就是向左或者向右随机移动：移动的幅度和当前的温度T有关。

​ 温度T越大，移动的幅度越大。温度T越小，移动的幅度就越小。这是在模拟粒子无序运动的状态。

• 接收更好的状态

​ 假设我们移动到了x1处，那么这个点对应的f(x1)很明显答案是优于（大于）当前的f(x0)。

• 因此我们将答案进行更新。也就是将初始值进行替换：x0=x1,f(x0)=f(x1)。这是一种贪心的思想。

• 以一定概率接受(Accept)更差的状态

为什么需要按照一定的概率接受更差的状态。因为可能在一个较差的状态旁边会出现一个更加高的山峰

如果我们鼠目寸光，只盯着右半区，很容易随着温度的下降、左右跳转幅度的减小而迷失自己，最后困死在小山丘中。

而我们如果找到了左边山峰的低点，以一定的概率接受了它（概率大小和温度以及当前的值的关键程度有关），会在跳转幅度减少之前，尽可能找到最优点。

那么我们以多少的概率去接受它呢？我们用一个公式表示：exp{ Δf / KT }

注意

- 如果随机后的函数值如果结果更好，我们一定选择它(即x0=x1,f(x0)=f(x1));
- 随机后的函数值如果结果更差，我们以exp{ Δf /  KT }的概率接受它
- e是自然对数，约等于2.71。我们可以把右上角这一坨 Δf /  KT值看成一个整体x:

而exp{x}的函数图像为：

而如果需要用exp{x}表示一个概率，那么x【Δf / KT】的取值范围只能为负数。

负数部分的值域是在(0,1)开区间内，x越小，越接近0，越大越靠近1。

2.2各变量说明

K其实是个物理学玻尔兹曼常数，我们在代码中不会用到。

T就是当前的温度。所以实际上这个分母就是T，K当做1使用。

Δf：

• 我们想要函数来代表一个概率值，一定要让它的值域属于(0,1)，所以Δf / KT必须是个负数。但是在我们的模拟中KT一定是正数，那么Δf必须是个负数
• Δf 就是当前解的函数值与目标解函数值之差
• 现在我们求一个函数的最大值，如果f(x0)<f(x1)，那就说明结果变好了，我们肯定选择它
• 如果f(x0)>f(x1)，那就说明结果变差了，我们需要概率选择它，因此Δf=-(f(x0)-f(x1));

2.2.1关于接收概率

关于接受概率e{x}和KT以及Δf的关系：

当T越大时(温度越高)，由于是Δf一个负数，所以Δf / KT算出来的值会越大。比如-1 / 1000 等于 -0.001，很明显-0.001 > -1，由于e{x}是个单调递增函数，所以温度越高时，接受的概率就越大。

Δf越小【负的越多】，说明答案越糟糕，那么接受的概率就越小。

①对rand()函数

1. rand()函数可以默认拿到[0,32767]内的随机整数
2. RAND_MAX = 32767，可以看作常量。本质是宏定义: #define RAND_MAX 32767
3. rand() * 2 的范围是[0,32767 * 2]
4. rand() * 2 - RAND_MAX 的范围是[-32767, 32767]

②对exp()函数

1. exp(x)代表e的x次方

③关于exp((df - f) / T) * RAND_MAX > rand()

1. 目的是要概率接受，但是exp{x}是个准确值，所以从理论上我们可以生成一个（0,1）的随机数，如果exp{x}比(0,1)这个随机数要大，那么我们就接受。
2. 但是由于rand()只能产生[0,32767]内的随机整数，化成小数太过麻烦。所以我们可以把左边乘以RAND_MAX（也就是把概率同时扩大32767倍），效果就等同exp{x}于比(0,1)了。

double T = 20000; //代表开始的温度
double dT = 0.999; //代表系数delta T
double eps = 1e-14; //相当于0.0000000000000001//用自变量计算函数值,这里可能存在多个自变量对应一个函数值的情况，比如f(x,y)
double func(int x, ... ) {//这里是对函数值进行计算double ans = .......return ans;
}
//原始值
double x = rand(); //x0取随机值
double f = func(x,...); //通过自变量算出f(x0)的值
while(T > eps) {//--------------//这里是每一次退火的操作//x1可以左右随机移动，幅度和温度T正相关，所以*T//注意这里移动可以左右移动，但是也可以单向移动//关于rand()详细见开头注的①double dx = x+(2*rand() - RAND_MAX) * T; //让x落在定义域内，如果没在里面，就重新随机。// ================while(x > ? || x < ? ...) { //保证x在作用域中double dx = (2*rand() - RAND_MAX) * T; }// ================//求出f(x1)的值double df = func(dx);//这里需要具体问题具体分析，我们要接受更加优秀的情况。可能是df < f(比如求最小值）if(f < df) {f = df; x = dx;  [...,y = dy;] // 接受，替换值，如果多个自变量，那么都替换}//否则概率接受，注意这里df-f也要具体问题具体分析。//详细见开头注的②③else if(exp((df - f) / T) * RAND_MAX > rand()) {f = df; x = dx;  [...y = dy;] // 接受，替换值，如果多个自变量，那么都替换}//--------------T = T * dT; //温度每次下降一点点， T * 0.999
}
//最后输出靠近最优的自变量x值，和函数值f(x)
cout << x << " " << f << endl;

3.退火模拟求根号n的值

我们试图通过退火找出一个值x0，使得x0的平方的值更加接近于n

所以我们的目标函数就可以知道：f(x)=|x0^2-n|;

//n代表我们最后函数要逼近的值
double n;
//x表示我们随机产生的那个数的平方和n的靠近程度
double func(double x) {return fabs(x * x - n);
}

退火函数SA()

double T = 20000; //初始温度，初始温度主要是看题目开始需要跳转的幅度。
double dT = 0.995; //变化率，这里需要速度稍微慢一点，写0.999 或者 0.997都可以，但是越靠近1速度就越慢 
const double eps = 1e-14; //10的-14次方已经非常小了，写这个大概率没问题
void SA() {//首先随机生成一个点x0，这里我用0代替。double x = 0;//算出x平方和n的差距f(x0)double f = func(x);while(T > eps) {//这里x0既可以变小，也可以变大，所以我们正负都要进行一个跳转,算出变换后的点dxdouble dx = x + (2 * rand() - RAND_MAX) * T;//但是请注意，dx很明显要保证 >= 0才行，因为算术平方根的定义域是>=0，因此小于0就重新随机while(dx < 0) {dx = x + (2 * rand() - RAND_MAX) * T;}//算出变换后的点dx的平方和n的差距，f(dx)double df = func(dx);//这里就是关键的地方了，很明显我们需要算出来的function值越小，自变量x更加接近那个根号值。//所以如果新来的值df 比 f更小，我们百分百接受if(df < f) {//注意更新所有变量f = df; x = dx;}//否则我们概率接受，这里的需要写 f - df了，因为这样才是负值。负值说明我们并不是贪心接受的，他是不太好的值。else if(exp((f - df)/T) * RAND_MAX > rand()) {//注意更新所有变量f = df; x = dx;}//温度下降一下T *= dT;}printf("%.8lf",x);
}

4.洛谷POJ-2420

题目描述

给出平面上N（N<=100）个点，你需要找到一个这样的点，使得这个点到N个点的距离之和尽可能小。输出这个最小的距离和（四舍五入到最近的整数）。

Input输入

第一行N，接下来N行每行两个整数，表示N个点

Output输出

一行一个正整数，最小的距离和。

Sample Input样例输入
4
0 0
0 10000
10000 10000
10000 0
Sample Output样例输出
28284

将所有的点存放入一个结构体point数组中

const int N = 1e5 + 5;
struct Point {double x, y;
}e[N];//main函数中输入N个点
int main() 
{cin >> n;for(int i = 1; i <= n; i++) scanf("%lf%lf", &e[i].x, &e[i].y);
}

关键的函数

//输入我们随机生成的点A 坐标 x0, y0
double func(double x, double y) {double ans = 0;for(int i = 1; i <= n; i++) {double xx = e[i].x, yy = e[i].y; // xx 就是 xi ，yy 就是 yidouble p = fabs(e[i].x - x); // x0 - xidouble q = fabs(e[i].y - y); // y0 - yians += (sqrt((p * p + q * q))); // ans加上到随机点A到点i的距离}return ans;
}

然后套用上面的公式，我们写出SA()模拟退火

double T = 2000; //初始温度
double dT = 0.993; //变化率，这里需要速度稍微慢一点，写0.995 或者 0.997都可以，但是越靠近1速度就越慢 
const double eps = 1e-14; //10的-14次方已经非常小了，写这个大概率没问题
void SA() {//随机生成点A(x0,y0)，这里我直接赋值为了0。当然也可以写rand()，差别都不大。double x = 0, y = 0;//生成的点A(x0,y0)对应的函数值f(x0, y0)double f = func(x, y);while(T > eps) {//这里对x和y同时进行一个偏移，很明显在一个平面中，上下左右都可以移动，所以我们选择了rand() * 2 - RAND_MAX//对于每个点，我们的偏移幅度都要 * T,温度越高，偏移量越大double dx = x + (rand() * 2 - RAND_MAX) * T;double dy = y + (rand() * 2 - RAND_MAX) * T;//算出偏移后的点B(dx, dy)对应的函数值f(dx, dy)double df = func(dx, dy);//这里就是关键的地方了，很明显我们需要算出来的function值越小，就更加优秀//所以如果新来的值df 比 f更小，我们百分百接受if(df < f) {//注意更新所有变量f = df; y = dy; x = dx;}//否则我们概率接受，这里的需要写 f - df了，因为这样才是负值else if(exp((f - df) / T) * RAND_MAX > rand()) {//注意更新所有变量f = df; y = dy; x = dx;}//降低温度T = T * dT;}//输出答案printf("%.f\n", f);
}