模拟退火算法（SA）
转自https://blog.****.net/huahua19891221/article/details/81737053
在实际日常中，人们会经常遇到如下问题：在某个给定的定义域内，求函数
对应的最优值。此处以最小值问题举例（最大值问题可以等价转化成最小值问题），形式化为：
如果是离散有限取值，那么可以通过穷取法获得问题的最优解；如果
连续，但
是凸的，那可以通过梯度下降等方法获得最优解；如果
连续且
非凸，虽说根据已有的近似求解法能够找到问题解，可解是否是最优的还有待考量，很多时候若初始值选择的不好，非常容易陷入局部最优值。
随着日常业务场景的复杂化，第三种问题经常遇见。如何有效地避免局部最优的困扰？模拟退火算法应运而生。其实模拟退火也算是启发式算法的一种，具体学习的是冶金学中金属加热-冷却的过程。由S.Kirkpatrick, C.D.Gelatt和M.P.Vecchi在1983年所发明的，V.Čern在1985年也独立发明此演算法。
不过模拟退火算法到底是如何模拟金属退火的原理？主要是将热力学的理论套用到统计学上，将搜寻空间内每一点想象成空气内的分子；分子的能量，就是它本身的动能；而搜寻空间内的每一点，也像空气分子一样带有“能量”，以表示该点对命题的合适程度。演算法先以搜寻空间内一个任意点作起始：每一步先选择一个“邻居”，然后再计算从现有位置到达“邻居”的概率。若概率大于给定的阈值，则跳转到“邻居”；若概率较小，则停留在原位置不动。
模拟退火是启发示算法的一种，也是一种贪心算法，但是它的搜索过程引入了随机因素。在迭代更新可行解时，以一定的概率来接受一个比当前解要差的解，因此有可能会跳出这个局部的最优解，达到全局的最优解。以下图为例，假定初始解为左边蓝色点A，模拟退火算法会快速搜索到局部最优解B，但在搜索到局部最优解后，不是就此结束，而是会以一定的概率接受到左边的移动。也许经过几次这样的不是局部最优的移动后会到达全局最优点D，于是就跳出了局部最小值。
根据热力学的原理，在温度为时，出现能量差为dE的降温的概率为
，表示为：
其中是波尔兹曼常数，值为
，exp表示自然指数，且
。因此
，所以
函数的取值范围是(0, 1)。满足概率密度函数的定义。其实这条公式更直观意思就是：温度越高，出现一次能量差为
的降温的概率就越大；温度越低，则出现降温的概率就越小。
在实际问题中，这里的“一定的概率”的计算参考了金属冶炼的退火过程。假定当前可行解为，迭代更新后的解为
，那么对应的“能量差”定义为：
其对应的“一定概率”为：
最小值优化：
最大值优化：
注：在实际问题中，可以设定，即将参数
与
合并。
- 初始化：初始温度
（充分大），温度下限
（充分小），初始解状态
（是算法迭代的起点），每个
；
- 对
=1, 2, ...,
- 产生新解
:
；
为
之间的随机数。
- 利计算增量
，其中
为优化目标；
- 若
(若寻找最大值，
)则接受
接受
- 如果满足终止条件则输出当前解作为最优解，结束程序。(终止条件通常取为连续若干个新解都没有被接受时终止算法。)；
-
T逐渐减少，且
，然后转第2步。
在每个温度下迭代
次，通过不断改变x来寻找当前温度下的最优值，然后降低温度继续寻找，直到温度达到最低，即选择概率
接近于0。
注意：生成新的后，要判断是否在定义域内，对于超出的
值要抛弃。
模拟退火算法的应用很广泛，可以高效地求解NP完全问题，如货郎担问题(Travelling Salesman Problem，简记为TSP)、最大截问题(Max Cut Problem)、0-1背包问题(Zero One Knapsack Problem)、图着色问题(Graph Colouring Problem)等等，但其参数难以控制，不能保证一次就收敛到最优值，一般需要多次尝试才能获得（大部分情况下还是会陷入局部最优值）。观察模拟退火算法的过程，发现其主要存在如下三个参数问题：
(1) 温度T的初始值设置问题
温度T的初始值设置是影响模拟退火算法全局搜索性能的重要因素之一、初始温度高，则搜索到全局最优解的可能性大，但因此要花费大量的计算时间；反之，则可节约计算时间，但全局搜索性能可能受到影响。
(2) 退火速度问题，即每个T值的迭代次数
模拟退火算法的全局搜索性能也与退火速度密切相关。一般来说，同一温度下的“充分”搜索是相当必要的，但这也需要计算时间。循环次数增加必定带来计算开销的增大。
(3) 温度管理问题
温度管理问题也是模拟退火算法难以处理的问题之一。实际应用中，由于必须考虑计算复杂度的切实可行性等问题，常采用如下所示的降温方式：
注：为了保证较大的搜索空间，α一般取接近于1的值，如0.95、0.9。