退火演算法matlab

㈠ 遺傳演算法、數值演算法、爬山演算法、模擬退火 各自的優缺點

遺傳演算法：其優點是能很好地處理約束，跳出局部最優，最終得到全局最優解。缺點是收斂速度慢，局部搜索能力弱，運行時間長，容易受到參數的影響。

模擬退火：具有局部搜索能力強、運行時間短的優點。缺點是全局搜索能力差，容易受到參數的影響。

爬山演算法：顯然爬山演算法簡單、效率高，但在處理多約束大規模問題時，往往不能得到較好的解決方案。

數值演算法：這個數值演算法的含義太寬泛了，指的是哪種數值演算法，陣列演算法與爬山演算法一樣，各有優缺點。

(1)退火演算法matlab擴展閱讀：

注意事項：

遺傳演算法的機制比較復雜，在Matlab中已經用工具箱中的命令進行了打包，通過調用可以非常方便的使用遺傳演算法。

函數GA：［x，Fval，reason］＝GA（＠fitnessfun，Nvars，options）x為最優解，Fval為最優值，＠Fitnessness為目標函數，Nvars為自變數個數，options為其他屬性設置。系統的默認值是最小值，所以函數文檔中應該加上一個減號。

要設置選項，您需要以下函數：options＝GaOptimset（＇PropertyName1＇，＇PropertyValue1＇，＇PropertyName2＇，＇PropertyName3＇，＇PropertyValue3＇…）通過該函數，可以確定一些遺傳演算法的參數。

㈡ 請問一下遺傳演算法，模擬退火演算法和遺傳模擬退火演算法的區別，最好能有根據同一個數學問題的matalb程序源代

遺傳演算法是種群擇優，模擬退火是擇優降火，里頭的差別不大，就是生成新鏈，然後計算適應度什麼的。這兩種優化演算法都能解決TSP問題，源代碼沒有，不過matlab有工具箱可以實現吧，你再找找。

㈢ matlab全局優化與局部優化

在實際的工作和生活過程中，優化問題無處不在，比如資源如何分配效益最高，擬合問題，最小最大值問題等等。優化問題一般分為尺核局部最優和全局最優，局部最優，就是在函數值空間的一個有限區域內尋找最小值；而全局最優，是在函數值空間整個區域尋找最小值問題。

matlab中的提供的傳統優化工具箱（Optimization Tool），能實現局部最優，但要得全局最優，則要用全局最優化演算法（Global Optimization Tool），主要包括：
GlobalSearch 全局搜索和 MultiStart 多起點方法產生若干起始點，然後它們用局部求解器去找到起始點吸引盆處的最優點。

ga 遺傳演算法用一組起始點（稱為種群），通過迭代從種群中產生更好的點，只要初始種群覆蓋幾個盆，GA就能檢查幾個盆。

simulannealbnd 模擬退火完成一個隨機搜索，通常，模擬退火演算法接受一個點，只要這個點比前面那個好，它也偶而接受一個比較糟的點，目的是轉向不同的盆。

patternsearch 模式搜索演算法在接受一個點之前要看看其附近的一組點。假如附近的某些點屬於不同的盆，模式搜索演算法本質上時同時搜索若干個盆。

下面我就一些具體例子，來說明各種優化方法：

可以看出，初值x0不同，得到的結果侍孫截然不同，這說明這種求解器，能尋找局部最優，但不一定是全局最優，在起點為8時，取得全局最優。
我們換一種求解器：fminbound,這種求解器不需要給點初值。

因此全局最優的方法能夠獲取全局最優。

結果：最小二乘擬合結果誤差較大

可以陵談掘看出全局優化結果較好，誤差較小。
這種演算法的運行時間：Elapsed time is 6.139324 seconds.
使用並行計算的方式解決

結果：14 out of 100 local solver runs converged with a positive local solver exit flag.
Elapsed time is 4.358762 seconds.Sending a stop signal to all the labs ... stopped.可以看出，運行時間減少，提高了效率。

這種方法只能尋找局部最優。
現在用全局優化演算法：

㈣ 求一個模擬退火演算法優化BP神經網路的一個程序（MATLAB）

「模擬退火」演算法是源於對熱力學中退火過程的模擬，在某一給定初溫下，通過緩慢下降溫度參數，使演算法能夠在多項式時間內給出一個近似最優解。退火與冶金學上的『退火』相似，而與冶金學的淬火有很大區別，前者是溫度緩慢下降，後者是溫度迅速下降。

「模擬退火」的原理也和金屬退火的原理近似：我們將熱力學的理論套用到統計學上，將搜尋空間內每一點想像成空氣內的分子；分子的能量，就是它本身的動能；而搜尋空間內的每一點，也像空氣分子一樣帶有「能量」，以表示該點對命題的合適程度。演算法先以搜尋空間內一個任意點作起始：每一步先選擇一個「鄰居」，然後再計算從現有位置到達「鄰居」的概率。

這個演算法已經很多人做過，可以優化BP神經網路初始權值。附件是解決TSP問題的matlab代碼，可供參考。看懂了就可以自己編程與bp代碼結合。