模拟退火法、神经网络、遗传算法_神经网络和模拟退火区别-CSDN博客

本文链接：https://blog.csdn.net/qq_34861102/article/details/77806124

本文介绍了最优化理论中的经典启发式算法，包括模拟退火法、神经网络（BP网络、感知器网络、单层和多层感知器、线性神经网络）和遗传算法，并提供了相关的matlab程序源代码。文章详细阐述了模拟退火法的伪代码、实际应用，以及遗传算法的主函数、初始函数、适应度计算、复制、交叉和变异过程，旨在为实际问题的求解提供直接可用的模版。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

最优化理论的经典算法

模拟退火法、神经网络、遗传算法是数学建模中常用的启发式算法，这里整合一下模版，并进行一些拓展，方便直接使用

原文：http://blog.csdn.net/qq_34861102/article/details/77806124

一些拓展：

基于模拟退火的遗传算法：
http://blog.csdn.net/qq_34861102/article/details/77899555

模拟退火法

伪代码

/*
* J(y)：在状态y时的评价函数值
* Y(i)：表示当前状态
* Y(i+1)：表示新的状态
* r： 用于控制降温的快慢
* T： 系统的温度，系统初始应该要处于一个高温的状态
* T_min ：温度的下限，若温度T达到T_min，则停止搜索
*/
while( T > T_min )
{
　　dE = J( Y(i+1) ) - J( Y(i) ) ; 

　　if ( dE >=0 ) //表达移动后得到更优解，则总是接受移动
        Y(i+1) = Y(i) ; //接受从Y(i)到Y(i+1)的移动
　　else
　　{
// 函数exp( dE/T )的取值范围是(0,1) ，dE/T越大，则exp( dE/T )也
        if ( exp( dE/T ) > random( 0 , 1 ) )
        Y(i+1) = Y(i) ; //接受从Y(i)到Y(i+1)的移动
　　}
　　T = r * T ; //降温退火 ，0<r<1 。r越大，降温越慢；r越小，降温越快
　　/*
　　* 若r过大，则搜索到全局最优解的可能会较高，但搜索的过程也就较长。若r过小，则搜索的过程会很快，但最终可能会达到一个局部最优值
　　*/
　　i ++ ;
}

实际例子

求解下列非线性规划最优解

    min f(x) = x(1)^2 + x(2)^2 + 8;

         s.t.
         x(1)^2 - x(2) >= 0;
         -x(1) - x(2)^2 + 2 = 0;
         x(1),x(2) >=0

实现代码

%生成初始解  
x2=1;  
x1=2-x2^2;  
tempx1 = x1;   
bestx1 = x1;  
tempx2 = x2;   
bestx2 = x2;  
tempans = inf;  
bestans = inf;  
figure
rand('state',sum(clock)); %初始化随机数发生器  
t=90; %初始温度  
tf=89.9; %结束温度  
a = 0.99; %温度下降比例  

while t>=tf%（7）结束条件  
    for r=1:1000 %退火次数  

        %产生随机扰动（3）新解的产生  
        x2=x2+rand*0.2;  
        x1=2-x2^2;  

        %检查是否满足约束  
        if x1^2-x2>=0 && -x1-x2^2+2==0 && x1>=0 &&x2>=0  
        else  
            x2=rand*2;  
            x1=2-x2^2;  
            continue;  
        end  

        %退火过程  
        E_new=x1^2+x2^2+8;%（2）目标函数  
        if E_new<tempans%（5）接受准则  
                tempans=E_new;  
                tempx1=x1;  
                tempx2=x2;  
                if E_new<bestans  
                    %把冷却过程中最好的解保存下来  
                    bestans=E_new;  
                    bestx1=x1;  
                    bestx2=x2;  
                end