通过全局优化模拟退火算法的一种新的支持向量机优化(IJEM-V2-N1-2)

模拟退火算法原理及改进

作者简介：李香平（１９７８￣），男，湖北监利人，中国地质大学计算机学院硕士研究生，研究方向为科学研究与可视化；张红阳（１９８２￣），男，湖北咸宁 人，中国地质大学计算机学院硕士研究生，研究方向为数据挖掘与数据仓库。 模拟退火算法原理及改进 李香平，张红阳 （中国地质大学计算机学院，湖北武汉４３００７４） 摘 要：模拟退火算法是一种强大的随机搜索算法，能应用于许多前提信息很少的问题，能渐进地收敛于最优值。对 ＳＡ算法进行了介绍，论述了ＳＡ算法的原理并对算法进行了改进，展示了计算实验的结果。 关键词：模拟退火；全局优化中图分类号：ＴＰ３１２ 文献标识码：Ａ 文章编号：１６７２－７８００（２００８）０４－００４７－０２ ０引言 近年来，传统的单一算法越来越不适应大规模非线性规划 问题。它们要求目标函数是可微的和收敛的。ＳＡ能很好地弥补它们的缺陷。 从用于统计力学的ＭｏｎｔｅＣａｒｌｏ方法上受到启发，ＳＡ算法在 １９８３被Ｋｉｒｋｐａｔｒｉｃｋ提出来。对比传统局部搜索算法，ＳＡ在搜索 时会在搜索空间上下移动而不依赖初始条件，擅长解决多维问题。此外，它能处理任意程度的非线性、 不连续和随机的问题。能处理任意边界和约束的评估函数。因此，它能轻易处理有脊背和高地的函数。只要初温高、退火表适当，它就能得到全局最优。ＳＡ成功应用于组合优化、神经网络、图像处理和代码设计。 １模拟退火算法原理 组合优化问题是在给定的约束条件下，求目标函数的最值 的问题。设（Ｓ，ｆ）是组合优化问题的一个实例，ｉｏｐｔ∈Ｓ若对所有 ｉ∈Ｓ，都有ｆ（ｉｏｐｔ）≥ｆ（ｉ），则称ｆ（ｉｏｐｔ）≤ｆ（ｉ）为ｍｉｎｆ（ｉ）的最优解。 ＳＡ来源于物理热力学原理，综合了固体退火与组合优化 之间的类似性。类似固体的复杂系统，先被加热到一个物质粒子能自由移动的很高的温度，当它慢慢冷却时，它的能量减少。如果“冷却”过程足够慢，系统将忽略局部稳定构造，到达能量最低状态，即基态。 在模拟的每一步中，新解的产生按照Ｍｅｔｒｏｐｏｌｉｓｔｒａｎｓｉｔｉｏｎ法则，一个新的状态从现有的状态中产生，这个法则能以一定的概率接受能量上升（即产生劣解）的新状态，而能量下降是优化的总目的。法则如下所示： ｐ（ｘ＝＞ｙ）＝ １， ｆ$%ｙ≤ｆ$%ｘｅｘｐ－ｆ$% ｘｆ$%ｙ $ % ， ｏｔｈｅｒｗｉｓ&ｅ ｆ是系统能量，ｔ是温度。ＳＡ的一般框架： Ｇｅｎｅｒａｔｅｄｉｎｉｔｉａｌｓｔａｔｅａｔｒａｎｄｏｍ；Ｇｅｎｅｒａｔｅｄｉｎｉｔｉａｌｔｅｍｐｅｒａｔｕｒｅ；ＲＥＰＥＡＴＲＥＰＥＡＴ ｙ＝ｇｅｎｅｒａｔｅ（，）； ＩＦａｃｃｅｐｔ（，ｙ，）ＴＨＥＮ＝ｙ ＵＮＴＩＬ＇ｉｎｎｅｒｌｏｏｐｓｔｏｐｃｒｉｔｅｒｉｏｎ＇ｓａｔｉｓｆｉｅｄ 为了提高ＳＡ的性能，我们应该仔细处理控制参数的协调。（１）初始温度的选择。初始温度太高会花费高昂的计算时间，太低会拒绝劣解的接受，会丢失ＳＡ全局优化的优点。本文提出了一个初始温度的公式： ｔ０＝’ｆ＋ ｌｎｘ －１ ’ｆ＋ 是函数增量的平均值，χ 是初始的接受概率。（２）温度降低策略。温度降低越快，陷入局部的概率就越大。然而，温度降低太慢会导致算法速度慢得不能接受。本文采用了一种快速的非线性降低法： ｔｋ＝ ｔ０ １＋ｋ ｋ＝１，２，３，…… （３）适当的邻域结构。在退火期间，步长太小导致算法在探索相位空间效率低，太大新解总被拒绝。在持续优化时，新的等价值均一地按间距分布在以ｘｉ的坐标为中心的邻域中，沿轴的间距的一半被看作步长向量ξ。当点落在ｆ的定义域内时，就随机产生新解。 （４）终止标准。内循环是单一温度下在各种条件下Ｍａｒｃｏｖ链的一种渐进接近全局最优的模拟实现，即循环Ｍａｒｃｏｖ链长次数结束。外循环取某个温度ｔ作为算法终止标准，或者是迭代若 软件导刊 ＳｏｆｔｗａｒｅＧｕｉｄｅ 第７卷第４期 ２００８年４月Ｖｏｌ．７Ｎｏ．４Ａｐｒ．２００８

模拟退火算法及其改进_蒋龙聪

第4卷第2期2007年4月　 工程地球物理学报 CHIN ESE J OU RNAL OF EN GIN EERIN G GEOP H YSICS Vol 14,No 12Apr 1,2007 文章编号:1672—7940(2007)02—0135—06 模拟退火算法及其改进 蒋龙聪,刘江平 (中国地质大学地球物理与空间信息学院,武汉430074) 作者简介:蒋龙聪(1983— ),男,硕士研究生,现在主要从事地震数据处理和反演理论方法研究。E 2mail :longcja @https://www.360docs.net/doc/3719015030.html, 刘江平(1957— ),男,教授,博士生导师,主要从事地震勘探的科研与教学工作。E 2mail :liujp @https://www.360docs.net/doc/3719015030.html, 摘　要:借鉴遗传算法中的非均匀变异思想,用非均匀变异策略对当前模型扰动产生新的模型,对传统的模 拟退火算法提出了改进,通过多峰值函数数值优化测试结果表明,该算法在高温的时候能够进行大范围的搜索,随着温度的降低,逐渐缩小解的搜索范围,大大加快了收敛速度,证实了该改进算法的有效性和高效性。 关键词:模拟退火算法;非均匀变异;数值最优化;反演 中图分类号:P631文献标识码:A 收稿日期:2006— 12—07R evised Simulated Annealing Algorithm Jiang Longcong ,Liu Jiangping (I nstitute of Geop hysics and Geomatics ,China Universit y of Geosciences ,W uhan 430074,China ) Abstract :Based on t he idea of non 2uniform mutation in genetic algorit hm ,we present a novel revised simulated annealing (RSA ),which used t he non 2uniform mutation to generate a new model f rom current model.Tested by some numerical f unctions ,RSA can search in t he large area for t he solutions in high temperat ure.Wit h t he lowering of t he temperat ure ,t he area of searching t he solutions will be gradually reduced and convergence will speed up.So t he re 2sult s p rove t he effectiveness of RSA. K ey w ords :simulate annealing ;non 2uniform mutation ;numerical optimal ;inversion 1　引　言 人类对地球内部物理性质(包括速度、密度、电导率、温度等)以及矿产资源分布的了解,大多来自地表地质和地球物理、地球化学资料的反演和解释[1]。反演方法可以分为线性反演和非线性反演两种,线性反演已成为一套科学的反演理论,然而,绝大部分地球物理问题都是非线性的,并且实践表明,线性反演方法有容易陷入局部极值和依赖于初始值等缺点。因此,地球物理学者们不 断的尝试开发非线性反演方法,比如人工神经网 络[2]、小波多尺度反演[3]、模拟退火算法[4]等。 模拟退火算法是近年发展起来的全局最优化算法,其主要优点是;不用求目标函数的偏导数及解大型矩阵方程组,即能找到一个全局最优解,而且易于加入约束条件,编写程序简单。目前此法已开始用于解决非线性地球物理反问题,如波形反演、静校正、叠前偏移速度分析等非线性反演中,并取得了较好的效果。 然而,由于模拟退火法是建立在随机搜寻方法的基础上,要达到一定的精度要求,每一模型参

模拟退火算法报告

模 拟退火算法 一 定义 1 概念 什么是退火？在热力学上，退火现象指物体逐渐降温的物理现象，温度愈低，物体的能量状态会低；够低后，液体开始冷凝与结晶，在结晶状态时，系统的能量状态最低。大自然在缓慢降温（亦即，退火）时，可“找到”最低能量状态：结晶。但是，如果过程过急过快，快速降温（亦称「淬炼」）时，会导致不是最低能态的非晶形。如下图所示，首先（左图）物体处于非晶体状态。我们将固体加温至充分高（中图），再让其徐徐冷却，也就退火（右图）。加温时，固体内部粒子随温升变为无序状，内能增大，而徐徐冷却时粒子渐趋有序，在每个温度都达到平衡态，最后在常温时达到基态，内能减为最小（此时物体以晶体形态呈现）。 似乎，大自然知道慢工出细活：缓缓降温，使得物体分子在每一温度时，能够有足够时间找到安顿位置，则逐渐地，到最后可得到最低能态，系统最安稳。 模拟退火算法(SA)最早的思想是由N. Metropolis 等人于1953年提出。1983 年,S. Kirkpatrick 等成功地将退火思想引入到组合优化领域。它是基于Monte-Carlo 迭代求解策略的一种随机寻优算法，其出发点是基于物理中固体物质的退火过程与一般组合优化问题之间的相似性。模拟退火算法从某一较高初温出发，伴随温度参数的不断下降,结合概率突跳特性在解空间中随机寻找目标函数的全局最优解，即在局部最优解能概率性地跳出并最终趋于全局最优。 模拟退火其实也是一种贪心算法，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T 时，出现能量差dE 的降温的概率为P(dE)，表示 为: ()?? ? ??=kT dE E P ex p d 。其中k 是波尔兹曼常数，值为-2310×13)1.3806488(=k ，exp 表示自然指数，且dE<0。因此dE/kT<0，所以P(dE)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P(dE)的降温的概率就越大；温度越低，则

关于模拟退火算法及其影响因素的研究

关于模拟退火算法及其影 ｉ《＿■ ＳＩＬＩＣＯＮＶ ＶＡＬＬＥ工响因素的研究 邓超陈文宣王树青 （东莞南博职业技术学院广东东莞５２３０８３）信毫科学 插要：通过使用模拟退火算法模拟逼近函数：ｙ＝ｘ＋ｃｏｓｘ＋ｉ开展实验，并在实验过程中对模拟退火算法的影响因素进行比较ｔ并提出相应的改进方案，直观的将两者的差别体现出来。 关键词：模拟退火算法；权系数；阀值：神经网络结构；ＭＡＴＬＡＢ 中圈分类号：ＴＰ３文献标识码：Ａ文章编号ｚ１６７１－７５９７（２０１０）０４１００４５－－０１ １鬟拟量火算法的基本曩客 模辛｝ｌ退火算法最初的思想［自Ｍｅｔｒｏｐｏｌｉｓ在１９５３年提出，其来源统计物理学中对于固体退火过程的模拟。他采用Ｍｅｔｒｏｐｏｌｉｓ准则接收新解，用冷去系数的参数对算法进程进行控制。使得算法在多项时间里得出最优解．２对曩板退火算法进行试ｔ研究 １）用模拟退火算法模拟逼近函数：ｙ＝ｘ＋ｃｏｓｘ＋１并对神经网络的权系数、阀值进行学习其神经网络结构为１—３－４＿３—１． ２）具体试验过程如下： 模拟退火算法的实现主要采用了¨ＴＬＡＢ软件，利用其中的神经网络工具箱进行编程模拟．在网络ＵＵｌ练方面，隐层采用ｌｏｇｓｉｇ（厂（ｊ）＝＿—二—＿＿－） Ｈ’ａ烈一哪函数作为传递函数。在输出层方面采用线性输出函数ｉｍｒｅｌｉｎ（，（善）＝＃）．降温函数采用ｔ＝＾ｔ． ①给定的学习样本、初始温度、结柬温度及降温速率＾． ＠在某一温度下．以正态分布（Ｍａｔｌａｂ中用ｒａｎｄｎ）生成函数产生新的权系数增量△翻。‘虬．＝缈＋△翻生成新的权系数。 ③根据代价函数求出神经网络的输出偏差Ｅ∥ｔ 胛＝；（歹一ｙ）２． ＠如果Ｐ，ｒＳ０，则取翻ｒ＋ｌ为新值，即ｑ＝够＋ｌ? ⑤如果Ｐ玎＞ｏ，采用接收函数：Ｂ（ｉ）＝［Ｉ＋ｅ＝Ｖ／‘】＿１ 以其值和［０，ｌ】随机数ｄ进行比较： 若Ｂ（ｉ）＞ｄ。则Ｃｄ＝够．。；， 若Ｂ（ｉ）≤ｄ，则国不变。 ＠以ｔ：ｘｔ修改参数ｔ．即缓慢降温。返回②执行． ３）试验生产的原函数和网络输出图如下： ４）结果分析ｔ 由学习的结果来看，学习的曲线和原曲线相差较大，而且函数收敛得很慢．其原因是模拟退火法的初始参数包括初温ｔＯ，结束温度ｔｆ’衰减温度ｄｅｌｔａＴ及控制内循环的马尔可夫链长Ｌ的选择对整个结果产生较大影响。 ３樱报遗火法的改盛可行性方毫 １）设计合适的状态产生函数：设计高效的退火历程；避免状态的迂回搜索；采用并行搜索结构：改进对温度的控制方式；选择合适的初始状态；设计合适的算法终止准则。 ２）也可通过增加某些来实现：如增加升温或重升温过程；增加记忆功能｛增加朴充搜索过程。 ４－｝墨横挂鼍火算法的实验改进方囊 ”对原算法的神经喇络结构进行更改．由卜３－４—３一ｌ改为卜１０一ｈ ２）调整即网络训练参数：具体为添加代码为： ｎｅｔ．ｔｒａｉｎＰａｒａＬｅｐｏｃｈｓ２３０００： ｎｅｔ．ｔｒａｉｎＰａｒ∞．ｇｏａｌ＝０．００２： ｎｅｔ．ｔｒａｉｎＰａｒａｎＩｒ２０．０ｌ： Ｉ开始训练 ｎｅｔ２ｔｒａｉｎ（ｎｅｔ，ｘ．ｙ）：） 在对原算法改进后试验产生的原函数和网络输出图如下（改进处在源程序中体现）： 由结果可以看到，改进后的算法收敛速度加快，函数的逼近和精度都已经较高。 参考文献： 【ｌ】王士同、陈剑夫等编著。问题求解的人工智能神经网络方法ｒ气象出版社． ［２］焦李成．神经网络系统理论，西安，西安电子科技大学出版社，１９９６．６． 作者简介： 邓超（１９７９－），男．汉族．广东省韶关市人，硕士．东莞南博职业技术 学院助教，研究方向；神经网络?　万方数据