Имитация отжига

редактировать

Методика вероятностной оптимизации и метаэвристика

Имитация отжига может использоваться для решения комбинаторных задач. Здесь он применяется к задаче коммивояжера, чтобы минимизировать длину маршрута, который соединяет все 125 точек.

Моделирование отжига (SA) - это вероятностный метод для аппроксимации глобальный оптимум заданной функции. В частности, это метаэвристика для аппроксимации глобальной оптимизации в большом пространстве поиска для задачи оптимизации. Он часто используется, когда пространство поиска дискретно (например, задача коммивояжера ). Для задач, где нахождение приблизительного глобального оптимума более важно, чем нахождение точного локального оптимума за фиксированный промежуток времени, имитация отжига может быть предпочтительнее точных алгоритмов, таких как градиентный спуск, ветвление и граница.

Название алгоритма происходит от отжига в металлургии, метода, включающего нагрев и контролируемое охлаждение материала для увеличения размера его кристаллов и уменьшения их дефектов. Оба свойства материала зависят от их термодинамической свободной энергии. Нагревание и охлаждение материала влияет как на температуру, так и на термодинамическую свободную энергию или энергию Гиббса. Имитация отжига может использоваться для решения очень сложных задач вычислительной оптимизации, когда точные алгоритмы не работают; даже если обычно достигается приблизительное решение глобального минимума, этого может быть достаточно для решения многих практических задач.

Проблемы, решаемые SA, в настоящее время формулируются целевой функцией многих переменных с учетом нескольких ограничений. На практике ограничение может быть наказано как часть целевой функции.

Подобные методы независимо применялись несколько раз, в том числе Пинкус (1970), Хачатурян и др. (1979, 1981), Киркпатрик, Гелатт и Векчи (1983) и Черни (1985). В 1983 году этот подход был использован Киркпатриком, Гелаттом-младшим, Векки для решения задачи коммивояжера. Они также предложили его нынешнее название - имитация отжига.

Это понятие медленного охлаждения, реализованное в алгоритме моделирования отжига, интерпретируется как медленное уменьшение вероятности принятия худших решений по мере исследования пространства решений. Принятие худших решений позволяет вести более обширный поиск глобального оптимального решения. В общем, алгоритмы моделирования отжига работают следующим образом. Температура постепенно снижается от начального положительного значения до нуля. На каждом временном шаге алгоритм случайным образом выбирает решение, близкое к текущему, измеряет его качество и переходит к нему в соответствии с зависящими от температуры вероятностями выбора лучшего или худшего решения, которые во время поиска соответственно остаются на 1 (или положительном) и уменьшаются до нуля.

Моделирование может быть выполнено либо путем решения кинетических уравнений для функций плотности, либо с использованием метода стохастической выборки. Этот метод является адаптацией алгоритма Метрополиса – Гастингса, метода Монте-Карло для генерации образцов состояний термодинамической системы, опубликованного N. Метрополис и др. в 1953 г.

Содержание

1 Обзор
- 1.1 Базовая итерация
- 1.2 Соседи состояния
- 1.3 Вероятности принятия
- 1.4 График отжига
2 Псевдокод
3 Выбор параметров
- 3.1 Достаточно близко к соседу
- 3.2 Вероятности перехода
- 3.3 Вероятности принятия
- 3.4 Эффективное создание кандидатов
- 3.5 Избегание препятствий
- 3.6 График охлаждения
4 Перезапуск
5 Связанные методы
6 См. Также
7 Ссылки
8 Дополнительная литература
9 Внешние ссылки

Обзор

Состояние некоторых физических систем, а функция E (s), которая должна быть минимизирована, аналогична внутренней энергии системы в этом состоянии. Цель состоит в том, чтобы привести систему из произвольного начального состояния в состояние с минимально возможной энергией.

Имитация отжига в поисках максимума. Цель здесь - добраться до самой высокой точки; однако недостаточно использовать простой алгоритм подъема на гору, поскольку существует множество локальных максимумов. При медленном охлаждении температуры достигается глобальный максимум.

Базовая итерация

На каждом шаге эвристика имитации отжига рассматривает некоторое соседнее состояние s * текущего состояния s, и вероятностно решает между переводом системы в состояние s * или пребыванием в состоянии s. Эти вероятности в конечном итоге приводят систему к переходу в состояния с более низкой энергией. Обычно этот шаг повторяется до тех пор, пока система не достигнет состояния, достаточного для приложения, или пока не будет исчерпан заданный бюджет вычислений.

Соседи состояния

Оптимизация решения включает в себя оценку соседей состояния проблемы, которые являются новыми состояниями, созданными путем консервативного изменения данного состояния. Например, в задаче коммивояжера каждое состояние обычно определяется как перестановка городов, которые нужно посетить, а соседи любого штата - это набор перестановок, произведенных заменой любых два из этих городов. Четко определенный способ изменения состояний для создания соседних состояний называется "перемещением", а разные перемещения дают разные наборы соседних состояний. Эти движения обычно приводят к минимальным изменениям последнего состояния в попытке постепенно улучшить решение путем итеративного улучшения его частей (например, городских связей в задаче коммивояжера).

Простая эвристика, такая как восхождение на холм, которая перемещается, находя лучшего соседа за лучшим соседом и останавливаясь, когда они достигли решения, у которого нет соседей, которые являются лучшими решениями, не может гарантировать, что приведет к какому-либо из существующих лучших решений - их результатом может быть просто локальный оптимум, в то время как фактическим лучшим решением будет глобальный оптимум, который может быть другим. Метаэвристика использует соседей решения как способ исследования пространства решений, и хотя они предпочитают лучших соседей, они также принимают и худших соседей, чтобы не застревать в локальных оптимумах; они могут найти глобальный оптимум, если работать достаточно долго.

Вероятности принятия

Вероятность выполнения перехода из текущего состояния $s {\ displaystyle s}$ $s$ в новое состояние кандидата $snew {\ displaystyle s _ {\ mathrm {new}}}$ ${\ displaystyle s _ {\ mathrm {new}}}$ определяется функцией вероятности принятия $P (e, enew, T) {\ displaystyle P (e, e _ {\ mathrm {new}}, T)}$ ${\ di splaystyle P (e, e _ {\ mathrm {new}}, T)}$ , который зависит от энергий $e = E (s) {\ displaystyle e = E (s)}$ $e = E (s)$ и $enew = E (snew) {\ displaystyle e _ {\ mathrm {new}} = E (s _ {\ mathrm {new}})}$ ${\ displaystyle e _ {\ mathrm {new}} = E (s _ {\ mathrm {new}})}$ из двух состояний и глобального изменяющегося во времени параметра $T {\ displaystyle T}$ $T$ называется температурой. Состояния с меньшей энергией лучше, чем с большей энергией. Функция вероятности $P {\ displaystyle P}$ $P$ должна быть положительной, даже если $enew {\ displaystyle e _ {\ mathrm {new}}}$ ${\ displaystyle e _ {\ mathrm {new}}}$ больше $е {\ displaystyle e}$ $e$ . Эта функция предотвращает застревание метода на локальном минимуме, который хуже глобального.

Когда $T {\ displaystyle T}$ $T$ стремится к нулю, вероятность $P (e, enew, T) {\ displaystyle P (e, e _ {\ mathrm {new}}, T)}$ ${\ di splaystyle P (e, e _ {\ mathrm {new}}, T)}$ должно стремиться к нулю, если $enew>e {\ displaystyle e _ {\ mathrm {new}}>e}$ $e_{\mathrm {new} }>e$ и положительное значение в противном случае. Для достаточно малых значений $T {\ displaystyle T}$ $T$ , тогда система будет все больше отдавать предпочтение движениям, идущим «под гору» (т. Е. Для снижения значений энергии), и избегать тех, которые идут «в гору». С $T = 0 {\ displaystyle T = 0}$ $T = 0$ процедура сводится к жадному алгоритму, который выполняет только нисходящие переходы.

В исходном описании имитации отжига, вероятность $P (e, enew, T) {\ displaystyle P (e, e _ {\ mathrm {new}}, T)}$ ${\ di splaystyle P (e, e _ {\ mathrm {new}}, T)}$ была равна 1, когда $enew < e {\displaystyle e_{\mathrm {new} }$ ${\ displaystyle e _ {\ mathrm {new}} <e}$ - т.е. процедура всегда спускалась вниз когда он нашел способ сделать это, независимо от температуры. Многие описания и реализации моделирования отжига все еще принимают это условие как часть определения метода. Однако это условие не обязательно для работы метода.

Функция $P {\ displaystyle P}$ $P$ обычно выбирается таким образом, чтобы вероятность принятия хода уменьшалась, когда разница $enew - e {\ displaystyle e _ {\ mathrm {new}} -e}$ ${\ displaystyle e _ {\ mathrm {new}} -e}$ увеличивается - то есть небольшие движения вверх более вероятны, чем большие. Однако это требование не является строго необходимым при условии, что указанные выше требования соблюдены.

Учитывая эти свойства, температура $T {\ displaystyle T}$ $T$ играет решающую роль в управлении эволюцией состояния $s {\ displaystyle s}$ $s$ системы с учетом ее чувствительности к изменениям энергий системы. Чтобы быть точным, для большого $T {\ displaystyle T}$ $T$ эволюция $s {\ displaystyle s}$ $s$ чувствительна к более грубым изменениям энергии, в то время как чувствителен к более тонким изменениям энергии, когда $T {\ displaystyle T}$ $T$ мало.

График отжига

Быстрый

Медленный Пример, иллюстрирующий влияние графика охлаждения на производительность имитированного отжига. Проблема состоит в том, чтобы переставить пиксели изображения так, чтобы минимизировать определенную функцию потенциальной энергии, которая заставляет похожие цвета притягиваться на коротком расстоянии и отталкиваться на немного большее расстояние. Элементарные ходы меняют местами два соседних пикселя. Эти изображения были получены с использованием режима быстрого охлаждения (слева) и режима медленного охлаждения (справа), что дало результаты, аналогичные аморфным и кристаллическим твердым телам, соответственно.

Название и Вдохновение для создания алгоритма требует включения интересной функции, связанной с изменением температуры, в рабочие характеристики алгоритма. Это требует постепенного снижения температуры по мере продолжения моделирования. Алгоритм сначала начинается с $T {\ displaystyle T}$ $T$ , установленного на высокое значение (или бесконечность), а затем он уменьшается на каждом шаге после некоторого расписания отжига, которое может быть указано пользователем., но должно заканчиваться на $T = 0 {\ displaystyle T = 0}$ $T = 0$ ближе к концу выделенного бюджета времени. Таким образом, ожидается, что система сначала будет блуждать по направлению к широкой области пространства поиска, содержащей хорошие решения, игнорируя небольшие особенности функции энергии; затем дрейфуйте в сторону низкоэнергетических областей, которые становятся все уже и уже; и, наконец, двигаться вниз согласно эвристике наискорейшего спуска.

Для любой заданной конечной проблемы вероятность того, что алгоритм моделирования отжига завершится с помощью решения глобального оптимального, приближается к 1 по мере расширения графика отжига. Этот теоретический результат, однако, не особенно полезен, поскольку время, необходимое для обеспечения значительной вероятности успеха, обычно превышает время, необходимое для полного поиска в пространстве решений.

Псевдокод

Следующий псевдокод представляет эвристику смоделированного отжига, как описано выше. Он начинается с состояния s 0 и продолжается до тех пор, пока не будет выполнено максимум k max шагов. В этом процессе сосед (ы) вызова должен генерировать случайно выбранного соседа данного состояния s; вызов random (0, 1) должен выбрать и вернуть значение в диапазоне [0, 1], равномерно случайным образом. График отжига определяется температурой вызова (r), которая должна давать температуру для использования с учетом доли r бюджета времени, израсходованной до сих пор.

Пусть s = s 0
Для k = 0 до k max (исключая):
- T ← температура ((k + 1) / k max)
- Выберите случайного соседа, s новый ← сосед (ы)
- Если P (E (s), E (s новый), T) ≥ random ( 0, 1):
  - s ← s new
Вывод: конечное состояние s

Выбор параметров

Чтобы применить метод моделирования отжига к конкретному В задаче необходимо указать следующие параметры: пространство состояний, функцию энергии (цели) E (), процедуру генератора-кандидата neighbour (), функцию вероятности принятия P (), а также график отжига temperature ()И начальная температура . Эти варианты могут существенно повлиять на эффективность метода. К сожалению, нет вариантов выбора этих параметров, которые быть хорошим для всех проблем, и не существует общего способа найти лучший выбор для данной проблемы. В следующих разделах даются некоторые общие рекомендации.

Достаточно близко к соседу r

Имитация отжига может быть смоделирована как случайное блуждание по поисковому графе, вершины которого являются всеми возможными состояниями, а ребра - возможными перемещениями. Существенным требованием для функции neighbour ()является то, что она должна обеспечивать достаточно короткий путь на этом графе от начального состояния до любого состояния, которое может быть глобальным оптимумом - диаметр графа поиска должен быть небольшим. Например, в приведенном выше примере коммивояжера в области поиска для n = 20 городов есть n! = 2,432,902,008,176,640,000 (2,4 квинтиллиона) состояний; однако количество соседей каждой вершины равно $∑ k = 1 n - 1 k = n (n - 1) 2 = 190 {\ displaystyle \ sum _ {k = 1} ^ {n-1} k = { \ frac {n (n-1)} {2}} = 190}$ ${\ displaystyle \ sum _ {k = 1 } ^ {n-1} k = {\ frac {n (n-1)} {2}} = 190}$ ребер, а диаметр графа $n - 1 {\ displaystyle n-1}$ $n-1$ .

Вероятности переходов

Чтобы исследовать поведение моделируемого отжига для конкретной проблемы, может быть полезно рассмотреть вероятности перехода, которые возникают в результате различных конструктивных решений, сделанных при реализации алгоритма. Для каждого ребра $(s, s ') {\ displaystyle (s, s')}$ $(s,s')$ графа поиска вероятность перехода определяется как вероятность того, что алгоритм имитации отжига перейдет в состояние $s ′ {\ displaystyle s '}$ $s'$ , когда его текущее состояние - $s {\ displaystyle s}$ $s$ . Эта вероятность зависит от текущей температуры, заданной в temperature (), от порядка, в котором движения кандидатов генерируются функцией neighbour (), и от функции вероятности принятия P (). (Обратите внимание, что вероятность перехода равна, а не просто $P (e, e ', T) {\ displaystyle P (e, e', T)}$ $P(e,e',T)$ , потому что кандидаты тестируются последовательно.)

Вероятности принятия

Спецификация neighbour (), P ()и temperature ()частично избыточен. На практике для многих задач обычно используется одна и та же функция принятия P (), а две другие функции настраиваются в соответствии с конкретной проблемой.

В формулировке метода Киркпатрика и др. Функция вероятности принятия $P (e, e ', T) {\ displaystyle P (e, e', T)}$ $P(e,e',T)$ был определен как 1, если $e ′ < e {\displaystyle e'$ $e'<e$ , и $exp ⁡ (- (e ′ - e) / T) {\ displaystyle \ exp (- (e'-e) / T)}$ $\exp(-(e'-e)/T)$ иначе. Эта формула была на первый взгляд оправдана по аналогии с переходами физической системы; он соответствует алгоритму Метрополиса – Гастингса в случае, когда T = 1 и распределение предложений Метрополиса – Гастингса симметрично. Однако эта вероятность принятия часто используется для моделирования отжига, даже когда функция neighbour (), которая аналогична распределению предложений в Метрополис-Гастингс, не является симметричной или вовсе не вероятностной. В результате вероятности переходов алгоритма смоделированного отжига не соответствуют переходам аналогичной физической системы и долговременному распределению состояний при постоянной температуре $T {\ displaystyle T}$ $T$ Не обязательно иметь какое-либо сходство с термодинамическим равновесным распределением по состояниям этой физической системы при любой температуре. Тем не менее, большинство описаний имитации отжига предполагают исходную приемочную функцию, которая, вероятно, жестко запрограммирована во многих реализациях SA.

В 1990 году Москато и Фонтанари и независимо друг от друга Дук и Шойер предложили, чтобы детерминированное обновление (то есть такое, которое не основано на правиле вероятностного принятия) могло ускорить процесс оптимизации, не влияя на конечное качество.. Москато и Фонтанари делают вывод, наблюдая за аналогом кривой «теплоемкости» отжига с «обновлением порога», полученным в результате их исследования, что «стохастичность обновления метрополиса в алгоритме смоделированного отжига не играет важной роли в поисках ближайшего -оптимальные минимумы ». Вместо этого они предположили, что «сглаживание ландшафта функции затрат при высокой температуре и постепенное определение минимумов в процессе охлаждения являются фундаментальными составляющими успеха имитации отжига». Впоследствии этот метод получил популярность под названием «пороговое принятие» из-за наименования Дуэка и Шойера. В 2001 году Франц, Хоффманн и Саламон показали, что детерминированная стратегия обновления действительно является оптимальной в большом классе алгоритмов, имитирующих случайное блуждание по ландшафту затрат и энергии.

Эффективная генерация кандидатов

При выборе генератора кандидатов neighbour ()необходимо учитывать, что после нескольких итераций алгоритма моделирования отжига текущее состояние должно измениться. имеют гораздо меньшую энергию, чем случайное состояние. Поэтому, как правило, следует смещать генератор в сторону возможных перемещений, где энергия состояния назначения $s ′ {\ displaystyle s '}$ $s'$ , вероятно, будет аналогична энергии текущего состояния.. Эта эвристика (которая является основным принципом алгоритма Метрополиса – Гастингса ) имеет тенденцию исключать «очень хорошие» ходы кандидатов, а также «очень плохие»; однако первые обычно встречаются гораздо реже, чем вторые, поэтому эвристика обычно довольно эффективна.

В рассмотренной выше задаче коммивояжера, например, ожидается, что обмен местами двух последовательных городов в поездке с низким энергопотреблением будет иметь умеренное влияние на его энергию (продолжительность); тогда как обмен местами двух произвольных городов с большей вероятностью увеличит его длину, чем уменьшит. Таким образом, ожидается, что генератор соседних узлов с последовательной заменой будет работать лучше, чем генератор с произвольной заменой, даже если последний может обеспечить несколько более короткий путь к оптимальному (с $n - 1 {\ displaystyle n-1}$ $n-1$ меняет местами вместо $n (n - 1) / 2 {\ displaystyle n (n-1) / 2}$ $n (n- 1) / 2$ ).

Более точное утверждение эвристики состоит в том, что нужно попробовать первые состояния-кандидаты $s ′ {\ displaystyle s '}$ $s'$ , для которых $P (E (s), E (s '), T) {\ displaystyle P (E (s), E (s'), T)}$ $P(E(s),E(s'),T)$ большой. Для "стандартной" функции принятия $P {\ displaystyle P}$ $P$ выше это означает, что $E (s ') - E (s) {\ displaystyle E (s') - E (s)}$ $E(s')-E(s)$ имеет порядок $T {\ displaystyle T}$ $T$ или меньше. Таким образом, в приведенном выше примере коммивояжера можно было бы использовать функцию neighbour (), которая меняет местами два случайных города, где вероятность выбора пары городов исчезает по мере того, как расстояние до них превышает $T {\ displaystyle T}$ $T$ .

Избегание препятствий

При выборе генератора-кандидата neighbour ()нужно также попытаться уменьшить количество «глубоких» локальных минимумов - состояний (или наборов связанных состояний), которые имеют гораздо меньшую энергию, чем все его соседние состояния. Такие «закрытые водосборные бассейны» энергетической функции могут задерживать алгоритм моделирования отжига с высокой вероятностью (примерно пропорциональной количеству состояний в бассейне) и в течение очень долгого времени (примерно экспоненциальной от разницы энергий между окружающими состояниями и дном бассейна).

Как правило, невозможно спроектировать генератор-кандидат, который удовлетворял бы этой цели, а также отдавать предпочтение кандидатам с аналогичной энергией. С другой стороны, часто можно значительно повысить эффективность моделирования отжига путем относительно простых изменений в генераторе. Например, в задаче коммивояжера нетрудно показать две экскурсии $A {\ displaystyle A}$ $A$ , $B {\ displaystyle B}$ $B$ примерно одинаковой длины, так что ( 1) $A {\ displaystyle A}$ $A$ является оптимальным, (2) каждая последовательность обмена пар городов, которая преобразует $A {\ displaystyle A}$ $A$ в $B {\ displaystyle B}$ $B$ проходит через обходы, которые намного длиннее, чем оба, и (3) $A {\ displaystyle A}$ $A$ можно преобразовать в $B {\ displaystyle B}$ $B$ путем переворачивания (изменения порядка следования) набора последовательных городов. В этом примере $A {\ displaystyle A}$ $A$ и $B {\ displaystyle B}$ $B$ лежат в разных «глубоких бассейнах», если генератор выполняет только случайные пары - свопы; но они будут в одном бассейне, если генератор выполняет случайные перевороты сегментов.

График охлаждения

Физическая аналогия, которая используется для обоснования моделирования отжига, предполагает, что скорость охлаждения достаточно мала для того, чтобы распределение вероятности текущего состояния было близко к термодинамическому равновесию во все времена. К сожалению, время релаксации - время, в течение которого нужно ждать восстановления равновесия после изменения температуры - сильно зависит от «топографии» энергетической функции и от текущей температуры. В алгоритме имитации отжига время релаксации также очень сложным образом зависит от кандидата-генератора. Обратите внимание, что все эти параметры обычно предоставляются как функции черного ящика для алгоритма моделирования отжига. Следовательно, идеальную скорость охлаждения невозможно определить заранее, и ее следует корректировать эмпирически для каждой задачи. Алгоритмы адаптивного моделирования отжига решают эту проблему, связывая график охлаждения с ходом поиска. Другой адаптивный подход, такой как термодинамическое моделирование отжига, автоматически регулирует температуру на каждом этапе в зависимости от разницы энергий между двумя состояниями в соответствии с законами термодинамики.

Перезапуск

Иногда лучше вернуться к решению, которое было значительно лучше, чем всегда переходить из текущего состояния. Этот процесс называется перезапуском имитации отжига. Для этого мы устанавливаем sи eна sbestи ebestи, возможно, перезапускаем расписание отжига. Решение о перезапуске могло быть основано на нескольких критериях. Среди них следует отметить перезапуск, основанный на фиксированном количестве шагов, в зависимости от того, является ли текущая энергия слишком высокой по сравнению с лучшей, полученной до сих пор, случайный перезапуск и т. Д.

Связанные методы

Взаимодействие с мегаполисом– Алгоритмы Хастинга (также известные как Последовательный Монте-Карло ) объединили моделируемые движения отжига с приемом-отклонением наиболее подходящих индивидуумов, оснащенных взаимодействующим механизмом рециклинга.
Квантовый отжиг использует «квантовые флуктуации» "вместо тепловых флуктуаций, чтобы пройти через высокие, но тонкие барьеры в целевой функции.
Стохастическое туннелирование попытки преодолеть возрастающую сложность моделирования прогонов отжига заключаются в выходе из локальных минимумов при понижении температуры путем« туннелирования »через барьеры.
Поиск табу обычно перемещается в соседние состояния с более низкой энергией, но будет предпринимать подъемы, когда он застревает в локальном минимуме; и избегает циклов, сохраняя "табуированный список" уже рассмотренных решений.
Двухфазная эволюция - это семейство алгоритмов и процессов (к которым относится имитация отжига), которые являются посредниками между локальным и глобальным поиском, используя фазовые изменения в пространстве поиска.
Оптимизация реактивного поиска фокусируется на сочетании машинного обучения с оптимизацией путем добавления внутреннего цикла обратной связи для самонастройки свободных параметров алгоритма к характеристикам проблемы, экземпляра и локальной ситуации вокруг текущего решения.
Генетические алгоритмы поддерживают набор решений, а не только одно. Новые решения-кандидаты генерируются не только путем «мутации» (как в SA), но также путем «рекомбинации» двух решений из пула. Вероятностные критерии, подобные тем, которые используются в SA, используются для выбора кандидатов на мутацию или комбинацию, а также для отбрасывания лишних решений из пула.
Меметические алгоритмы ищут решения, используя набор агентов, которые взаимодействуют друг с другом. и соревноваться в процессе; иногда стратегии агентов включают моделируемые процедуры отжига для получения высококачественных растворов перед их повторным объединением. Отжиг также был предложен в качестве механизма для увеличения разнообразия поиска.
Постепенная оптимизация отвлеченно «сглаживает» целевую функцию при оптимизации.
Оптимизация колоний муравьев (ACO) использует много муравьев ( или агенты) для обхода пространства решений и поиска локально продуктивных областей.
Метод кросс-энтропии (CE) генерирует возможные решения через параметризованное распределение вероятностей. Параметры обновляются посредством минимизации кросс-энтропии, чтобы на следующей итерации генерировались более качественные сэмплы.
Поиск гармонии имитирует музыкантов в процессе импровизации, когда каждый музыкант играет ноту для поиска наилучшей гармонии вместе.
Стохастическая оптимизация - это общий набор методов, который включает моделирование отжига и множество других подходов.
Оптимизация роя частиц - это алгоритм, смоделированный на основе интеллекта роя, который находит решение проблемы оптимизации в пространстве поиска, или моделировать и прогнозировать социальное поведение при наличии целей.
Алгоритм «раннер-корень» (RRA) - это метаэвристический алгоритм оптимизации для решения одномодальных и мультимодальных задач, вдохновленных побегами и корнями растений в природе.
Интеллектуальный алгоритм капель воды (IWD), который имитирует поведение естественных капель воды для решения задач оптимизации
Параллельная закалка - это моделирование копий модели при разных температурах (или Гамильтонианы ) для преодоления потенциальных барьеров.

См. Также

Ссылки

Далее чтение

А. Дас и Б. К. Чакрабарти (редакторы), Квантовый отжиг и соответствующие методы оптимизации, Лекция по физике, т. 679, Springer, Heidelberg (2005)
Weinberger, E. (1990). «Коррелированные и некоррелированные фитнес-ландшафты и как отличить их». Биологическая кибернетика. 63 (5): 325–336. doi : 10.1007 / BF00202749.
Нажмите, WH; Теукольский С.А.; Феттерлинг, штат Вашингтон; Фланнери, ВР (2007). «Раздел 10.12. Способы моделирования отжига». Числовые рецепты: искусство научных вычислений (3-е изд.). Нью-Йорк: Издательство Кембриджского университета. ISBN 978-0-521-88068-8.
Штробл, М.А.Р.; Баркер, Д. (2016). «О фазовых переходах при моделировании отжига в реконструкции филогении». Молекулярная филогенетика и эволюция. 101 : 46–55. doi : 10.1016 / j.ympev.2016.05.001. PMC 4912009. PMID 27150349.
В.Вассилев, А.Прахова: «Использование имитационного отжига в управлении гибкими производственными системами», Международный журнал INFORMATION THEORIES APPLICATIONS, ТОМ 6 / 1999

Внешние ссылки

Имитация отжига Приложение Javascript, позволяющее экспериментировать с моделированием отжига. Исходный код включен.
«Общий алгоритм моделирования отжига» Программа MATLAB с открытым исходным кодом для общих упражнений по моделированию отжига.
Самостоятельный урок по моделированию отжига Проект Викиверситета.
Google в суперпозиция использования, а не использования квантового компьютера Ars Technica обсуждает возможность того, что компьютер D-Wave, используемый Google, на самом деле может быть эффективным сопроцессором с моделированием отжига.