T在模拟退火中代表什么？

Question

我想在不同的情况下使用模拟退火。网络中的每种模拟退火算法都给出了算法的温度实例。就像在wiki中一样

s ← s0; e ← E(s)                                  // Initial state, energy.
sbest ← s; ebest ← e                              // Initial "best" solution
k ← 0                                             // Energy evaluation count.
while k < kmax and e > emax                       // While time left & not good enough:
 T ← temperature(k/kmax)                         // Temperature calculation.
 snew ← neighbour(s)                             // Pick some neighbour.
 enew ← E(snew)                                  // Compute its energy.
 if P(e, enew, T) > random() then                // Should we move to it?
  s ← snew; e ← enew                            // Yes, change state.
 if enew < ebest then                            // Is this a new best?
   sbest ← snew; ebest ← enew                    // Save 'new neighbour' to 'best found'.
 k ← k + 1                                       // One more evaluation done
return sbest                                      // Return the best solution found.

那么这个“T”代表什么呢？假设我将使用模拟退火来下棋，我将使用这个算法为计算机寻找下一步棋。我有当前状态(S)和它的值(E)。我有下一个状态(Snew)和它们的值(Enew)。那么国际象棋的“T”是什么？我需要它吗！这个算法有没有一般的形式？我的意思是，没有这个温度的例子，我可以得到基本的想法！我什么也找不到。请帮帮忙。提前谢谢......

Answer 1

网络上的所有示例都使用温度示例，因为这是模拟退火的标准术语-- SA是一种受物理学启发的技术，模仿了一种称为退火的真实世界现象。这与遗传算法的所有示例谈论基因和染色体的方式非常相似。

如果你追溯到足够远的数学，在各种优化元启发式和一些物理过程之间有一些有趣的联系，通常由熵的概念连接起来。

但是，粗略地说，模拟退火中的温度T对应于算法在搜索全局(或至少是更好的局部)最小值时“跳出”局部最小值的意愿或能力。高温对应着更高的随机性，跳跃得更多，甚至可能以更糟糕的配置告终；低温对应着更低的随机性(最终是纯粹的贪婪算法)，无论多么浅都无法逃脱任何局部最小值。

至于如何在你的应用程序中使用这个想法。需要一些洞察力和创造力才能让大多数元启发式算法正常工作。但是你永远找不到一篇关于SA的讨论，它不是关于温度的。