模擬退火能量

1

是的，它與遺傳編程或遺傳算法中的適應度函數非常相似。系統的能量（E）從任意高能狀態開始。每一步都會對能量進行評估，並且系統會嘗試降低能量狀態。在開始時，當系統具有較高的「溫度」時，允許較大的運動對抗最佳狀態，以便系統可以逃脫局部最大值。在很多步驟中，溫度會降低（希望能量水平也是如此）。

有很多關於模擬退火的優秀報道。這裏有一個很好的PPT概述：Link

來源

2013-03-06 01:02:46

+0

您能簡單介紹一下如何計算能量嗎？ – Undefined 2013-03-06 16:11:03

+0

它與普通適應度函數有何不同？ – Undefined 2013-03-06 21:15:14

1

我沒有看到SA中的能量和GA中的適應度之間有明確的關係。

SA中的能量定義了下一次迭代的搜索空間：隨着能量變量收縮，搜索空間的體積縮小。例如，如果您正在進行某種音樂搜索，並且您的音符是「C」，則較高的SA能量可能會使該值變成從「A」到「G」的任何值，而SA能量較低可能只會讓這個價值變成一個C單位或一個尖銳的價格。

在GA中，搜索空間由給定基因型位置處的值的熵定義。因此，如果在音樂搜索的第一個位置，每個人都有一個「C」音符，那麼這個孩子在該位置將會有一個「C」（禁止變異），並且在解決方案空間中沒有沿着該維度進行真正的搜索。但是，如果基因型中第2位的值等於「A」 - 「G」，那麼搜索空間非常大。

GA中的適應度只是完整解決方案的質量。這是對個人的描述，而不是下一次迭代的參數（除了間接影響選擇）。所以我只是沒有看到任何良好的概念映射SA能源。

來源

2013-03-06 18:34:17

+0

你不是在談論溫度？ – Undefined 2013-03-06 21:07:27

+0

溫度通過成本函數與能量有關。但我認爲這並不能說明問題。 – 2013-03-07 02:04:38

1

在模擬退火中，點的能量（E）決定了它作爲解決方案被接受的概率。當溫度參數很高時，該算法以隨機方式接受低能量或高能量的新解。當溫度較低時，算法會接受能量較低的新解決方案。

在典型的實現中，算法在其迭代通過時降低其溫度參數。這引起從隨機到確定性行爲的平穩過渡，這是模擬退火的關鍵特徵。

有一些文本可以深入解釋模擬退火和遺傳算法。我建議：

[1]Vöcking，B.，ALT，H.，Dietzfelbinger，M.，Reischuk，R.， Scheideler，C.，福爾默，H.，瓦格納，D.「算法Unplugged「，Ed。德國柏林：Springer-Verlag Berlin Heidelberg，2011，ch。 41，pp。 393-400。

[2] Duc Pham，D. Karaboga，「Intelligent Optimization Techniques」。英國倫敦：Springer-Verlag London，2000.

來源

2016-02-19 17:57:25

模擬退火能量

回答

相關問題