模拟退火中的能量

Question

能量变量在模拟退火算法中表示什么？我猜它与GA中的适应度变量类似？

Answer 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）从某个任意高能状态开始。每一步都会评估能量，系统会尝试转向能量较低的状态。

一开始，当系统具有较高的“温度”时，允许较大的移动以抵抗最佳状态，以便系统可以逃避局部最大值。在许多步骤中，温度降低（希望能量水平）。

有很多关于模拟退火的好文章。这是一个很好的PPT概述：Link

Answer 2

我没有看到SA中的能量与GA中的适应性之间存在明确的关系。

SA中的能量定义了下一次迭代的搜索空间：随着能量变量的缩小，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有一个“C”音符，那么高SA能量可能会使该值变为从“A”到“G”的任何值，而低SA能量可能只允许该值变为C平或尖锐。

在GA中，搜索空间由给定基因型位置处的值的熵定义。因此，如果在您的音乐搜索中的位置1，每个人都有一个“C”音符，那么孩子们将在该位置有一个“C”（禁止变异），并且在解决方案空间中没有沿着该维度的真实搜索。但是，如果基因型中第2位的值等于“A” - “G”，则搜索空间非常大。

GA中的适应性只是完整解决方案的质量。它是对个体的描述，而不是下一次迭代的参数（间接除外，因为它会影响选择）。所以我只是没有看到任何关于SA能量的良好概念映射。

Answer 3

在模拟退火中，点的能量（E）决定了它被接受为解的概率。当温度参数高时，算法以随机方式接受具有低能量或高能量的新解决方案。当温度较低时，算法接受能量较低的新解决方案。

在典型的实现中，算法在迭代通过时降低其温度参数。这引起了从随机行为到确定行为的平滑过渡，这是模拟退火的关键特征。

有些文章深入解释了模拟退火算法和遗传算法。我建议：

  

[1]Vöcking，B.，Alt，H.，Dietzfelbinger，M.，Reischuk，R。，   Scheideler，C.，Vollmer，H.，Wagner，D。“ Algorithms Unplugged ”，Ed。   柏林，德国：Springer-Verlag Berlin Heidelberg，2011，ch。 41，pp。   393-400。

     

[2] Duc Pham，D。Karaboga，“智能优化技术”。   英国伦敦：Springer-Verlag伦敦，2000年。