模拟退火能量

1

是的，它与遗传编程或遗传算法中的适应度函数非常相似。系统的能量（E）从任意高能状态开始。每一步都会对能量进行评估，并且系统会尝试降低能量状态。在开始时，当系统具有较高的“温度”时，允许较大的运动对抗最佳状态，以便系统可以逃脱局部最大值。在很多步骤中，温度会降低（希望能量水平也是如此）。

有很多关于模拟退火的优秀报道。这里有一个很好的PPT概述：Link

来源

2013-03-06 01:02:46

+0

您能简单介绍一下如何计算能量吗？ – Undefined 2013-03-06 16:11:03

+0

它与普通适应度函数有何不同？ – Undefined 2013-03-06 21:15:14

1

我没有看到SA中的能量和GA中的适应度之间有明确的关系。

SA中的能量定义了下一次迭代的搜索空间：随着能量变量收缩，搜索空间的体积缩小。例如，如果您正在进行某种音乐搜索，并且您的音符是“C”，则较高的SA能量可能会使该值变成从“A”到“G”的任何值，而SA能量较低可能只会让这个价值变成一个C单位或一个尖锐的价格。

在GA中，搜索空间由给定基因型位置处的值的熵定义。因此，如果在音乐搜索的第一个位置，每个人都有一个“C”音符，那么这个孩子在该位置将会有一个“C”（禁止变异），并且在解决方案空间中没有沿着该维度进行真正的搜索。但是，如果基因型中第2位的值等于“A” - “G”，那么搜索空间非常大。

GA中的适应度只是完整解决方案的质量。这是对个人的描述，而不是下一次迭代的参数（除了间接影响选择）。所以我只是没有看到任何良好的概念映射SA能源。

来源

2013-03-06 18:34:17

+0

你不是在谈论温度？ – Undefined 2013-03-06 21:07:27

+0

温度通过成本函数与能量有关。但我认为这并不能说明问题。 – 2013-03-07 02:04:38

1

在模拟退火中，点的能量（E）决定了它作为解决方案被接受的概率。当温度参数很高时，该算法以随机方式接受低能量或高能量的新解。当温度较低时，算法会接受能量较低的新解决方案。

在典型的实现中，算法在其迭代通过时降低其温度参数。这引起从随机到确定性行为的平稳过渡，这是模拟退火的关键特征。

有一些文本可以深入解释模拟退火和遗传算法。我建议：

[1]Vöcking，B.，ALT，H.，Dietzfelbinger，M.，Reischuk，R.， Scheideler，C.，福尔默，H.，瓦格纳，D.“算法Unplugged“，Ed。德国柏林：Springer-Verlag Berlin Heidelberg，2011，ch。 41，pp。 393-400。

[2] Duc Pham，D. Karaboga，“Intelligent Optimization Techniques”。英国伦敦：Springer-Verlag London，2000.

来源

2016-02-19 17:57:25

模拟退火能量

回答

相关问题