Python數學建模學習模擬退火算法多變量函數優(yōu)化示例解析
發(fā)布日期：2021-12-24 04:37 | 文章來源：源碼中國
1、模擬退火算法
退火是金屬從熔融狀態(tài)緩慢冷卻、最終達到能量最低的平衡態(tài)的過程。模擬退火算法基于優(yōu)化問題求解過程與金屬退火過程的相似性，以優(yōu)化目標為能量函數，以解空間為狀態(tài)空間，以隨機擾動模擬粒子的熱運動來求解優(yōu)化問題（[1] KIRKPATRICK,1988）。
模擬退火算法結構簡單，由溫度更新函數、狀態(tài)產生函數、狀態(tài)接受函數和內循環(huán)、外循環(huán)終止準則構成。
溫度更新函數是指退火溫度緩慢降低的實現方案，也稱冷卻進度表；
狀態(tài)產生函數是指由當前解隨機產生新的候選解的方法；
狀態(tài)接受函數是指接受候選解的機制，通常采用Metropolis準則；
外循環(huán)是由冷卻進度表控制的溫度循環(huán)；
內循環(huán)是在每一溫度下循環(huán)迭代產生新解的次數，也稱Markov鏈長度。
模擬退火算法的基本流程如下：
（1）初始化：初始溫度T，初始解狀態(tài)s，迭代次數L；
（2）對每個溫度狀態(tài)，重復 L次循環(huán)產生和概率性接受新解：
（3）通過變換操作由當前解s 產生新解s′；
（4）計算能量差 ∆E，即新解的目標函數與原有解的目標函數的差；
（5）若∆E <0則接受s′作為新的當前解，否則以概率exp(-∆E/T) 接受s′ 作為新的當前解；
（6）在每個溫度狀態(tài)完成 L次內循環(huán)后，降低溫度 T，直到達到終止溫度。
2、多變量函數優(yōu)化問題
選取經典的函數優(yōu)化問題和組合優(yōu)化問題作為測試案例。
問題 1：Schwefel 測試函數，是復雜的多峰函數，具有大量局部極值區(qū)域。
本文取 d=10, x=[-500,500]，函數在 X=(420.9687,…420.9687)處為全局最小值 f(X)=0.0。
F(X)=418.9829×n-∑(i=1,n)〖xi* sin(√(|xi|)) 〗
使用模擬退火算法的基本方案：控制溫度按照 T(k) = a * T(k-1) 指數衰減，衰減系數取 a；如式（1）按照 Metropolis 準則接受新解。對于問題 1（Schwefel函數），通過對當前解的一個自變量施加正態(tài)分布的隨機擾動產生新解。
3、模擬退火算法 Python 程序
# 模擬退火算法 程序：多變量連續(xù)函數優(yōu)化
# Program: SimulatedAnnealing_v1.py
# Purpose: Simulated annealing algorithm for function optimization
# Copyright 2021 YouCans, XUPT
# Crated：2021-04-30
# = 關注 Youcans，分享原創(chuàng)系列 https://blog.csdn.net/youcans =
# -*- coding: utf-8 -*-
import math # 導入模塊
import random # 導入模塊
import pandas as pd # 導入模塊
import numpy as np# 導入模塊 numpy，并簡寫成 np
import matplotlib.pyplot as plt # 導入模塊 matplotlib.pyplot，并簡寫成 plt
from datetime import datetime
# 子程序：定義優(yōu)化問題的目標函數
def cal_Energy(X, nVar):
# 測試函數 1： Schwefel 測試函數
# -500 <= Xi <= 500
# 全局極值：(420.9687,420.9687,...),f(x)=0.0
sum = 0.0
for i in range(nVar):
sum += X[i] * np.sin(np.sqrt(abs(X[i])))
fx = 418.9829 * nVar - sum
return fx
# 子程序：模擬退火算法的參數設置
def ParameterSetting():
cName = "funcOpt" # 定義問題名稱
nVar = 2 # 給定自變量數量，y=f(x1,..xn)
xMin = [-500, -500]# 給定搜索空間的下限，x1_min,..xn_min
xMax = [500, 500] # 給定搜索空間的上限，x1_max,..xn_max
tInitial = 100.0# 設定初始退火溫度(initial temperature)
tFinal = 1 # 設定終止退火溫度(stop temperature)
alfa = 0.98 # 設定降溫參數，T(k)=alfa*T(k-1)
meanMarkov = 100# Markov鏈長度，也即內循環(huán)運行次數
scale= 0.5# 定義搜索步長，可以設為固定值或逐漸縮小
return cName, nVar, xMin, xMax, tInitial, tFinal, alfa, meanMarkov, scale
# 模擬退火算法
def OptimizationSSA(nVar,xMin,xMax,tInitial,tFinal,alfa,meanMarkov,scale):
# ====== 初始化隨機數發(fā)生器 ======
randseed = random.randint(1, 100)
random.seed(randseed) # 隨機數發(fā)生器設置種子，也可以設為指定整數
# ====== 隨機產生優(yōu)化問題的初始解 ======
xInitial = np.zeros((nVar))# 初始化，創(chuàng)建數組
for v in range(nVar):
# random.uniform(min,max) 在 [min,max] 范圍內隨機生成一個實數
xInitial[v] = random.uniform(xMin[v], xMax[v])
# 調用子函數 cal_Energy 計算當前解的目標函數值
fxInitial = cal_Energy(xInitial, nVar)
# ====== 模擬退火算法初始化 ======
xNew = np.zeros((nVar))# 初始化，創(chuàng)建數組
xNow = np.zeros((nVar))# 初始化，創(chuàng)建數組
xBest = np.zeros((nVar)) # 初始化，創(chuàng)建數組
xNow[:] = xInitial[:] # 初始化當前解，將初始解置為當前解
xBest[:] = xInitial[:] # 初始化最優(yōu)解，將當前解置為最優(yōu)解
fxNow = fxInitial # 將初始解的目標函數置為當前值
fxBest = fxInitial # 將當前解的目標函數置為最優(yōu)值
print('x_Initial:{:.6f},{:.6f},\tf(x_Initial):{:.6f}'.format(xInitial[0], xInitial[1], fxInitial))
recordIter = [] # 初始化，外循環(huán)次數
recordFxNow = [] # 初始化，當前解的目標函數值
recordFxBest = []# 初始化，最佳解的目標函數值
recordPBad = [] # 初始化，劣質解的接受概率
kIter = 0 # 外循環(huán)迭代次數，溫度狀態(tài)數
totalMar = 0 # 總計 Markov 鏈長度
totalImprove = 0 # fxBest 改善次數
nMarkov = meanMarkov# 固定長度 Markov鏈
# ====== 開始模擬退火優(yōu)化 ======
# 外循環(huán)，直到當前溫度達到終止溫度時結束
tNow = tInitial # 初始化當前溫度(current temperature)
while tNow >= tFinal: # 外循環(huán)，直到當前溫度達到終止溫度時結束
# 在當前溫度下，進行充分次數(nMarkov)的狀態(tài)轉移以達到熱平衡
kBetter = 0 # 獲得優(yōu)質解的次數
kBadAccept = 0 # 接受劣質解的次數
kBadRefuse = 0 # 拒絕劣質解的次數
# ---內循環(huán)，循環(huán)次數為Markov鏈長度
for k in range(nMarkov): # 內循環(huán)，循環(huán)次數為Markov鏈長度
totalMar += 1 # 總 Markov鏈長度計數器
# ---產生新解
# 產生新解：通過在當前解附近隨機擾動而產生新解，新解必須在 [min,max] 范圍內
# 方案 1：只對 n元變量中的一個進行擾動，其它 n-1個變量保持不變
xNew[:] = xNow[:]
v = random.randint(0, nVar-1)# 產生 [0,nVar-1]之間的隨機數
xNew[v] = xNow[v] + scale * (xMax[v]-xMin[v]) * random.normalvariate(0, 1)
# random.normalvariate(0, 1)：產生服從均值為0、標準差為 1 的正態(tài)分布隨機實數
xNew[v] = max(min(xNew[v], xMax[v]), xMin[v]) # 保證新解在 [min,max] 范圍內
# ---計算目標函數和能量差
# 調用子函數 cal_Energy 計算新解的目標函數值
fxNew = cal_Energy(xNew, nVar)
deltaE = fxNew - fxNow
# ---按 Metropolis 準則接受新解
# 接受判別：按照 Metropolis 準則決定是否接受新解
if fxNew < fxNow: # 更優(yōu)解：如果新解的目標函數好于當前解，則接受新解
accept = True
kBetter += 1
else: # 容忍解：如果新解的目標函數比當前解差，則以一定概率接受新解
pAccept = math.exp(-deltaE / tNow) # 計算容忍解的狀態(tài)遷移概率
if pAccept > random.random():
accept = True # 接受劣質解
kBadAccept += 1
else:
accept = False # 拒絕劣質解
kBadRefuse += 1
# 保存新解
if accept == True: # 如果接受新解，則將新解保存為當前解
xNow[:] = xNew[:]
fxNow = fxNew
if fxNew < fxBest: # 如果新解的目標函數好于最優(yōu)解，則將新解保存為最優(yōu)解
fxBest = fxNew
xBest[:] = xNew[:]
totalImprove += 1
scale = scale*0.99 # 可變搜索步長，逐步減小搜索范圍，提高搜索精度
# ---內循環(huán)結束后的數據整理
# 完成當前溫度的搜索，保存數據和輸出
pBadAccept = kBadAccept / (kBadAccept + kBadRefuse) # 劣質解的接受概率
recordIter.append(kIter) # 當前外循環(huán)次數
recordFxNow.append(round(fxNow, 4)) # 當前解的目標函數值
recordFxBest.append(round(fxBest, 4)) # 最佳解的目標函數值
recordPBad.append(round(pBadAccept, 4)) # 最佳解的目標函數值
if kIter%10 == 0:# 模運算，商的余數
print('i:{},t(i):{:.2f}, badAccept:{:.6f}, f(x)_best:{:.6f}'.\
format(kIter, tNow, pBadAccept, fxBest))
# 緩慢降溫至新的溫度，降溫曲線：T(k)=alfa*T(k-1)
tNow = tNow * alfa
kIter = kIter + 1
# ====== 結束模擬退火過程 ======
print('improve:{:d}'.format(totalImprove))
return kIter,xBest,fxBest,fxNow,recordIter,recordFxNow,recordFxBest,recordPBad
# 結果校驗與輸出
def ResultOutput(cName,nVar,xBest,fxBest,kIter,recordFxNow,recordFxBest,recordPBad,recordIter):
# ====== 優(yōu)化結果校驗與輸出 ======
fxCheck = cal_Energy(xBest,nVar)
if abs(fxBest - fxCheck)>1e-3:# 檢驗目標函數
print("Error 2: Wrong total millage!")
return
else:
print("\nOptimization by simulated annealing algorithm:")
for i in range(nVar):
print('\tx[{}] = {:.6f}'.format(i,xBest[i]))
print('\n\tf(x):{:.6f}'.format(fxBest))
return
# 加粗樣式
def main():
# 參數設置，優(yōu)化問題參數定義，模擬退火算法參數設置
[cName, nVar, xMin, xMax, tInitial, tFinal, alfa, meanMarkov, scale] = ParameterSetting()
# print([nVar, xMin, xMax, tInitial, tFinal, alfa, meanMarkov, scale])
# 模擬退火算法
[kIter,xBest,fxBest,fxNow,recordIter,recordFxNow,recordFxBest,recordPBad] \
= OptimizationSSA(nVar,xMin,xMax,tInitial,tFinal,alfa,meanMarkov,scale)
# print(kIter, fxNow, fxBest, pBadAccept)
# 結果校驗與輸出
ResultOutput(cName, nVar,xBest,fxBest,kIter,recordFxNow,recordFxBest,recordPBad,recordIter)
if __name__ == '__main__':
main()
4、程序運行結果
x_Initial:-143.601793,331.160277, f(x_Initial):959.785447 i:0,t(i):100.00, badAccept:0.469136, f(x)_best:300.099320 i:10,t(i):81.71, badAccept:0.333333, f(x)_best:12.935760 i:20,t(i):66.76, badAccept:0.086022, f(x)_best:2.752498 ... i:200,t(i):1.76, badAccept:0.000000, f(x)_best:0.052055 i:210,t(i):1.44, badAccept:0.000000, f(x)_best:0.009448 i:220,t(i):1.17, badAccept:0.000000, f(x)_best:0.009448 improve:18 Optimization by simulated annealing algorithm: x[0] = 420.807471 x[1] = 420.950005 f(x):0.003352
以上就是Python數學建模學習模擬退火算法多變量函數優(yōu)化示例解析的詳細內容，更多關于數學建模模擬退火算法的資料請關注本站其它相關文章！
版權聲明：本站文章來源標注為YINGSOO的內容版權均為本站所有，歡迎引用、轉載，請保持原文完整并注明來源及原文鏈接。禁止復制或仿造本網站，禁止在非maisonbaluchon.cn所屬的服務器上建立鏡像，否則將依法追究法律責任。本站部分內容來源于網友推薦、互聯網收集整理而來，僅供學習參考，不代表本站立場，如有內容涉嫌侵權，請聯系alex-e#qq.com處理。
相關文章
下一篇：
關注官方微信