模拟退火中的能量

Question

在模拟退火算法中，能量变量代表什么？我猜它类似于GA中的适应度变量？

Answer 1

是的，它非常类似于遗传编程或GA中的适应度函数。系统的能量(E)开始于某个任意的高能态。每一步都会评估能量，系统会尝试移动到较低的能量状态。

在开始时，当系统具有较高的“温度”时，允许对最佳状态进行较大的移动，以便系统可以避开局部最大值。经过许多步骤，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好文章。下面是一个很好的PPT概述：Link

Answer 2

我没有看到SA中的能量和GA中的适合度之间的明确关系。

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，搜索空间的体积也会缩小。例如，如果你正在做某种音乐搜索，你有一个"C“的音符，高的SA能量可能会让这个值变成从"A”到"G“的任何值，而低的SA能量可能只会让这个值变成C降或尖锐。

在遗传算法中，搜索空间由给定基因型位置的值的熵定义。因此，如果在音乐搜索中的位置1，每个人都有一个"C“音符，那么孩子们在那个位置就会有一个"C”(除了突变)，并且在解空间中没有沿着这个维度进行真正的搜索。但是，如果基因型中位置2的值同样是"A"-"G"，则搜索空间非常大。

GA中的适合度就是一个完整解决方案的质量。它是对个人的描述，而不是下一次迭代的参数(除非是间接的，因为它会影响选择)。因此，我没有看到任何好的概念映射到SA能源。

Answer 3

在模拟退火中，一个点的能量(E)决定了它被接受为解的概率。当温度参数较高时，该算法以随机方式接受具有低能量或高能量的新解。当温度较低时，该算法接受能量较低的新解。

在典型的实现中，算法随着迭代的进行而减少其温度参数。这引发了从随机行为到确定性行为的平滑过渡，这是模拟退火的一个关键特征。

有一些文本对模拟退火和遗传算法进行了深入的解释。我建议：

首页--期刊主要分类--期刊细介绍--期刊题录与文摘--期刊详细文摘内容“不插电的算法”，Ed.柏林，德国:施普林格-维拉格柏林海德堡，2011，ch。41，pp.393-400

2 Duc Pham，D. Karaboga，“智能优化技术”。英国伦敦:斯普林格-维拉格公司，伦敦，2000年。