一：模拟退火算法的简介
模拟退火算法(Simulated Annealing，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。模拟退火算法是一种通用的优化算法，理论上算法具有概率的全局优化性能,目前已在工程中得到了广泛应用，诸如VLSI、生产调度、控制工程、机器学习、神经网络、信号处理等领域。模拟退火算法是通过赋予搜索过程一种时变且最终趋于零的概率突跳性，从而可有效避免陷入局部极小并最终趋于全局最优的串行结构的优化算法。
二：模拟退火算法和粒子群算法的优缺点有那些？具体点，谢啦
退火优点：计算过程简单，通用，鲁棒性强，适用于并行处理，可用于求解复杂的非线性优化问题。缺点：收敛速度慢，执行时间长，算法性能与初始值有关及参数敏感等缺点。
PSO:演化计算的优势在于可以处理一些传统方法不能处理的例子例如不可导的节点传递函数或者没有梯度信息存在。但是缺点在于：在某些问题上性能并不是特别好。2. 网络权重的编码而且遗传算子的选择有时比较麻烦
三：模拟退火算法 一定能收敛到全局最优解吗
不一定，这是一个随机算法，这就意味着它有可能会止步于部分最优解。所以一般比赛的时候都要交上好几遍来通过代码
四：改进模拟退火算法与传统模拟退火算法相比优缺点是什么，如有缺点该如何改进
该算法是一种新的随机搜索方法,它是近年来提出的一种适合于解决大规模组合优化问题的通用而有效的近似算法。与以往的近似算法相比,模拟退火算法具有描述简单、使用灵活、运用广泛、运行效率高和较少受到初始条件约束等优点
五：模拟退火和遗传算法都可以解决什么问题啊
模拟退火算法和遗传算法，包括禁忌搜索算法，蚁群算法等都可以用来求解优化问题。这些算法的一个特点是虽然对于一些复杂问题，比如说DP难题，可能不好找到最优解（理论上找到最优解是可以的），但是可以以较高的效率找到满意解。
六：为什么说模拟退火算法优于局部搜索算法
该算法是一种新的随机搜索方法,它是近年来提出的一种适合于解决大规模组合优化问题的通用而有效的近似算法。与以往的近似算法相比,模拟退火算法具有描述简单、使用灵活、运用广泛、运行效率高和较少受到初始条件约束等优点
七：模拟退火算法属于人工智能还是机器学习方面？
人工智能和机器学习本来就是你中有我 我中有你 如果实在要分就是 属于机器学习
八：求一个模拟退火算法优化BP神经网络的一个程序（MATLAB） 20分
“模拟退火”算法是源于对热力学中退火过程的模拟，在某一给定初温下，通过缓慢下降温度参数，使算法能够在多项式时间内给出一个近似最优解。退火与冶金学上的‘退火’相似，而与冶金学的淬火有很大区别，前者是温度缓慢下降，后者是温度迅速下降。
“模拟退火”的原理也和金属退火的原理近似：我们将热力学的理论套用到统计学上，将搜寻空间内每一点想像成空气内的分子；分子的能量，就是它本身的动能；而搜寻空间内的每一点，也像空气分子一样带有“能量”，以表示该点对命题的合适程度。算法先以搜寻空间内一个任意点作起始：每一步先选择一个“邻居”，然后再计算从现有位置到达“邻居”的概率。
这个算法已经很多人做过，可以优化BP神经网络初始权值。附件是解决TSP问题的matlab代码，可供参考。看懂了就可以自己编程与bp代码结合。
九：遗传算法、数值算法、爬山算法、模拟退火 各自的优缺点
遗传算法：优点是能很好的处理约束，能很好的跳出局部最优，最终得到全局最优解，全局搜索能力强；缺点是收敛较慢，局部搜索能力较弱，运行时间长，且容易受参数的影响。
模拟退火：优点是局部搜索能力强，运行时间较短；缺点是全局搜索能力差，容易受参数的影恭。
爬山算法：显然爬山算法较简单，效率高，但是处理多约束大规模问题时力不从心，往往不能得到较好的解。
数值算法：这个数值算法的含义太广，你说的是哪一种数值算法？多数数组算法与爬山算法的有优缺点类似。
PS：望采纳！
扫一扫手机访问
