溫馨提示×
您好，登錄后才能下訂單哦！
點擊 登錄注冊 即表示同意《億速云用戶服務條款》
您好，登錄后才能下訂單哦！
一，簡介
退火算法不言而喻，就是鋼鐵在淬煉過程中失溫而成穩定態時的過程，熱力學上溫度（內能）越高原子態越不穩定，而溫度有一個向低溫區輻射降溫的物理過程，當物質內能不再降低時候該物質原子態逐漸成為穩定有序態，這對我們從隨機復雜問題中找出最優解有一定借鑒意義，將這個過程化為算法，具體參見其他資料。
二，計算方程
我們所要計算的方程是f(x) = (x - 2) * (x + 3) * (x + 8) * (x - 9),是一個一元四次方程，我們稱為高次方程，當然這個函數的開口是向上的，那么在一個無限長的區間內我們可能找不出最大值點，因此我們嘗試在較短區間內解最小值點，我們成為最優解。
解法1：
毫無疑問，數學方法多次求導基本可以解出，但是這個過程較復雜，還容易算錯，我就不贅述了，讀者有時間自己可以嘗試解一下。
解法二：
這個解法就是暴力解決了，我們這里只求解區間[-10,10]上的最優解，直接隨機200個點，再除以10（這樣可以得到非整數橫坐標），再依此計算其縱坐標f（x），min{f(x)}一下，用list的index方法找出最小值對應位置就行了，然后畫出圖形大致瞄一瞄。
直接貼代碼：
import random
import matplotlib.pyplot as plt
list_x = []
# for i in range(1):
# #print(random.randint(0,100))
# for i in range(0,100):
# print("sss",i)
#
# list_x.append(random.randint(0,100))
for i in range(-100,100):
list_x.append(i/10)
print("橫坐標為：",list_x)
print(len(list_x))
list_y = []
for x in list_x:
# print(x)
#y = x*x*x - 60*x*x -4*x +6
y = (x - 2) * (x + 3) * (x + 8) * (x - 9)
list_y.append(y)
print("縱坐標為：",list_y)
#經驗證，這里算出來的結果6.5和最優解1549都是對的
print("最小值為：",min(list_y))
num = min(list_y)
print("最優解：",list_y.index(num)/10)
print("第",list_y.index(num)/10-10,"個位置取得最小值")
plt.plot(list_x, list_y, label='NM')
#plt.plot(x2, y2, label='Second Line')
plt.xlabel('X') #橫坐標標題
plt.ylabel('Y') #縱坐標標題
#plt.title('Interesting Graph\nCheck it out',loc="right") #圖像標題
#plt.title('Interesting Graph\nCheck it out')
plt.legend() #顯示Fisrt Line和Second Line（label）的設置
plt.savefig('C:/Users/zhengyong/Desktop/1.png')
plt.show()
得到如下結果：
那么我們得出最優解的坐標是（6.5，-1549.6875），結果先放這里，接下來用退火算法看能不能解出。
解法三：
我們看一張圖（解法二中的方法得出的圖），然后講講退火算法的最核心的思想。
首先，先隨機一個[-10.10]之間的隨機解，作為初始解空間，比方說隨機了一個位于[-2.5.2.5]中最高的那個點就是點1(橫坐標為x1)，他有對于的縱坐標的值y1，這時候我們把這個點的橫坐標隨機加或者減去一個值（注意這個值的大小很重要，我們先叫他隨機移動值），加或者減后得到新的橫坐標的值x2，再算出這個橫坐標的對應縱坐標（y2），對比之前的縱坐標的大小，這里設置
delta = y2-y1，發現無論怎樣都是小于原先的縱坐標（前提是隨機移動值足夠小），這時候我們把新得到的x2賦值給x1，這時候現在的x2的值傳給x1，x1是原先隨機的值，這個過程可以重復iter_num 次，大小就根據自己的區間來。
上述的整個過程是在一個溫度下進行的，這個過程結束后我們用溫度更新公式再次的更新溫度，再去重復上述步驟。
溫度更新我是用的常用的公式是T(t)=aT0(t-1)，其中0.85≦a≦0.99。也可用相應的熱能衰減公式來計算，T(t)=T0/(1+lnt),t=1,2,3,...，這都是簡單的狀態更新方法。
也就是說，不管你隨機的是幾我都能朝著優化的方向前進（前提是非最優點）。
其次，點2 是同理的，區別在于他是局部最優解，那么跳出這個局部最優解的機制是什么呢？
若初始點是（x3,y3）,然后用上述方法得出（x4,y4），在點二處得到的delta肯定是大于0的，那么怎么辦呢？當大于0的時候我們每次都有一定的概率來接受這個看起來不是最優的點，叫Metropolis準則，具體是這樣的：
這里的E就是y，T就是當前溫度，delta小于0就是百分百接受新值，否者就是按照這個概率接受，當迭代多次的時候，每次向右移動的步長累加到點1 時候他就有可能找到最終的最優解了，步長是累加的但是概率是累成的，意味著這個概率很小，但是一旦迭代次數多久一定會跑出來到最優解處。
最優，點3不解釋了哈，和上面一樣。
那么我們上代碼：
#自己改寫的退火算法計算方程(x - 2) * (x + 3) * (x + 8) * (x - 9)的計算方法
#class沒啥用
import numpy as np
import matplotlib.pyplot as plt
from matplotlib import pyplot as plt
#設置基本參數
#T初始溫度，T_stop，iter_num每個溫度的迭代次數，Q溫度衰減次數
class Tuihuo_alg():
def __init__(self,T_start,iter_num,T_stop,Q,xx,init_x):
self.T_start = T_start
self.iter =iter_num
self.T_stop = T_stop
self.Q = Q
self.xx = xx
self.init_x = init_x
# def cal_x2y(self):
# return (x - 2) * (x + 3) * (x + 8) * (x - 9)
if __name__ == '__main__':
def cal_x2y(x):
#print((x - 2) * (x + 3) * (x + 8) * (x - 9))
return (x - 2) * (x + 3) * (x + 8) * (x - 9)
T_start = 1000
iter_num = 1000
T_stop = 1
Q = 0.95
K = 1
l_boundary = -10
r_boundary = 10
#初始值
xx = np.linspace(l_boundary, r_boundary, 300)
yy = cal_x2y(xx)
init_x =10 * ( 2 * np.random.rand() - 1)
print("init_x:",init_x)
t = Tuihuo_alg(T_start,iter_num,T_stop,Q,xx,init_x)
val_list = [init_x]
while T_start>T_stop:
for i in range(iter_num):
init_y = cal_x2y(init_x)
#這個區間(2 * np.random.rand() - 1)本身是（-1,1），所以加上就是一個隨機加或者減過程
new_x = init_x + (2 * np.random.rand() - 1)
if l_boundary <= new_x <= r_boundary:
new_y = cal_x2y(new_x)
#print("new_x:",new_x)
#print('new_y:',new_y)
delta = new_y - init_y #新減舊
if delta < 0:
init_x = new_x
else:
p = np.exp(-delta / (K * T_start))
if np.random.rand() < p:
init_x = new_x
#print("new_x:",new_x)
#print("當前溫度：",T_start)
T_start = T_start * Q
print("最優解x是：", init_x) #這里最初寫的是new_x,所以結果一直不對
print("最優解是：", init_y)
#比如我加上new_x，真假之間的誤差實際就是最后一次的賦值“init_x = new_x”
print("假最優解x是：", new_x) #這里最初寫的是new_x,所以結果一直不對
print("假最優解是：", new_y)
xx = np.linspace(l_boundary,r_boundary,300)
yy = cal_x2y(xx)
plt.plot(xx, yy, label='Tuihuo')
#plt.plot(x2, y2, label='Second Line')
plt.xlabel('X for tuihuo') #橫坐標標題
plt.ylabel('Y for tuihuo') #縱坐標標題
#plt.title('Interesting Graph\nCheck it out',loc="right") #圖像標題
#plt.title('Interesting Graph\nCheck it out')
plt.legend() #顯示Fisrt Line和Second Line（label）的設置
plt.savefig('C:/Users/zhengyong/Desktop/1.png')
plt.show()
這里用了class，發現并不需要，但是不想改了，就這樣吧。
最優結果為：
得出的示意圖為：
三，總結
退火算法的具體思想我沒怎么講，但是核心的點我都寫出來了，經過驗證發現退火算法得出了（6.551677228904226，-1548.933671426107）的最優解，看看解法二的（6.5，-1549.6875），我們發現，呵呵，差不多，誤差來講的話，能接受，當然讀者也可以多跑幾個數據出來驗證。
我的實驗環境是Python3.6，Numpy1.14.3，matplotlib2.2.2，64位win10，1709教育版，OS內核16299.547，就這樣吧，盡量講詳細點。
總結
以上所述是小編給大家介紹的Python退火算法在高次方程的應用，希望對大家有所幫助，如果大家有任何疑問請給我留言，小編會及時回復大家的。在此也非常感謝大家對億速云網站的支持！
免責聲明：本站發布的內容（圖片、視頻和文字）以原創、轉載和分享為主，文章觀點不代表本網站立場，如果涉及侵權請聯系站長郵箱：is@yisu.com進行舉報，并提供相關證據，一經查實，將立刻刪除涉嫌侵權內容。
