目录
1.算法流程简介
"""
1.设定退火算法的基础参数
2.设定需要优化的函数,求解该函数的最小值/最大值
3.进行退火过程，随机产生退火解并且纠正,直到冷却
4.绘制可视化图片进行了解退火整体过程
"""
2.算法核心代码
#利用退火算法求解函数的极值(优化问题)
import numpy as np
from random import random
import random
import math
import matplotlib.pyplot as plt
#设定退火算法的基础参数
x_min,x_max=(-3,3)#x的取值范围
alpha=0.99#降温系数为0.99
bg_temp=100#起始温度
ed_temp=0.01#最终温度(可设可不设)
cycle_number=500#循环次数
#设定需要优化的函数,求解该函数的最小值
"""
需要运用的化直接修改函数即可.
不过需要注意定义域的问题,主动修改一下定义域就行
"""
def opt_fun(x):
y=11*np.sin(2*x)+7*np.cos(5*x)
return y
#由于没有具体的数据,我们直接随机设置值就行随机产生初始值
#随机产生本次退火解
def new_result(x):
x1=x+bg_temp*random.uniform(-1,1)
#退火解的合理性检查并且纠正：
if x_min<=x1<=x_max:
return x1
elif x1<x_min:
add_min=random.uniform(-1,1)
return add_min*x_min+(1-add_min)*x
else:
add_max=random.uniform(-1,1)
return add_max*x_max+(1-add_max)*x
def draw_picture(x):
plt.cla()
#绘图的时候这里可以进行修改
#注意这里y的取值范围[-25,25]要大体预估一下
plt.axis([x_min-1,x_max+1,-25,25])
m=np.arange(x_min,x_max,0.0001)
plt.plot(m,opt_fun(m),color='red')
plt.plot(x,opt_fun(x),marker='*',color='b',markersize='8')
plt.title('Current Temperature={}'.format(T))
plt.pause(0.1)
#设定接受概率函数
def p(x,x1):
return math.exp(-abs(opt_fun(x)-opt_fun(x1))/T)
#循环退火过程,直到冷却求出最优解
def Annealing_cycle():
global T
count_number=0
T=bg_temp
x=random.uniform(x_min,x_max)
print("*******************************************************************************************************************")
while T>ed_temp:
draw_picture(x)
for i in range(cycle_number):
x1=new_result(x)
#求解最小值的过程
if opt_fun(x)>=opt_fun(x1):
x=x1
else:
if random.random()<=p(x,x1):
x=x1
else:
continue
T=T*alpha
count_number=count_number+1
print("当前执行第{}".format(count_number),"次退火过程"," 当前退火温度为:{}".format(T)," 当前最优值:{}".format(opt_fun(x)))
print("*******************************************************************************************************************")
print("本次退火优化过程共执行{}".format(count_number),"次求得的最优解为:{}".format(opt_fun(x)))
print("*******************************************************************************************************************")
Annealing_cycle()
3.算法效果展示
