首先，这不是关于温度迭代计数或自动优化调度的问题。这是数据量级与指数缩放的关系。
我使用的是经典公式：
if(delta < 0 || exp(-delta/tK) > random()) { // new state }
exp函数的输入为负，因为delta / tK为正，因此exp结果总是小于1. random函数也返回0到1范围内的值。
我的测试数据在1到20的范围内，delta值低于20.我选择一个等于系统初始计算温度的起始温度，然后线性下降到1.
为了让SA工作，我必须扩展tK。工作版使用：
exp(-delta/(tK * .001)) > random()
那么tK的大小与三角洲的大小有什么关系？我通过反复试验找到了缩放因子，我不明白为什么需要它。据我所知，只要delta> tK和步长以及迭代次数是合理的，它应该工作。在我的测试案例中，如果我省略额外的比例，系统的温度不会降低。
我看过的各种在线资源都没有说明使用真实数据。有时它们包括玻尔兹曼常数作为比例，但因为我没有模拟物理粒子系统没有帮助。示例（通常使用伪代码）使用100或1000000之类的值。
那我错过了什么？是否正在缩放我必须通过反复试验设置的另一个值？这让我烦恼，因为我不只是想让这个测试用例运行，我想了解算法，而魔术常数意味着我不知道发生了什么。
答案 0 :(得分：0)
Classical SA有2个参数：startingTemperate和cooldownSchedule（=你称之为缩放）。
配置2+参数很烦人，所以in OptaPlanner's implementation，我会根据timeGradiant自动计算cooldownSchedule（在求解器时间内，它是从0.0到1.0的两倍）。这很好用。作为startingTemperature的指导原则，我使用单次移动的最大得分差异。有关详细信息，请参阅the docs。