Python&Matla實現模擬退火法的示例代碼
1 Python實現
1.1 源碼實現
我在前面已經給出瞭模擬退火法的完整知識點和源碼實現:智能優化算法—蟻群算法(Python實現)
模擬退火和蒙特卡洛實驗一樣,全局隨機,由於沒有自適應的過程(例如向最優靠近、權重梯度下降等),對於復雜函數尋優,很難會找到最優解,都是近似最優解;然而像蝙蝠算法、粒子群算法等有向最優逼近且通過最優最差調整參數的步驟,雖然對於下圖函數易陷入局部最優,但是尋優精度相對較高。如果理解這段話應該就明白瞭為什麼神經網絡訓練前如果初步尋優一組較好的網絡參數,會使訓練效果提高很多,也會更快達到誤差精度。
1.2 sko.SA 實現
#===========1導包================ import matplotlib.pyplot as plt import pandas as pd from sko.SA import SA #============2定義問題=============== fun = lambda x: x[0] ** 2 + (x[1] - 0.05) ** 2 + x[2] ** 2 #=========3運行模擬退火算法=========== sa = SA(func=fun, x0=[1, 1, 1], T_max=1, T_min=1e-9, L=300, max_stay_counter=150) best_x, best_y = sa.run() print('best_x:', best_x, 'best_y', best_y) #=======4畫出結果======= plt.plot(pd.DataFrame(sa.best_y_history).cummin(axis=0)) plt.show() #scikit-opt 還提供瞭三種模擬退火流派: Fast, Boltzmann, Cauchy. #===========1.1 Fast Simulated Annealing===================== from sko.SA import SAFast sa_fast = SAFast(func=demo_func, x0=[1, 1, 1], T_max=1, T_min=1e-9, q=0.99, L=300, max_stay_counter=150) sa_fast.run() print('Fast Simulated Annealing: best_x is ', sa_fast.best_x, 'best_y is ', sa_fast.best_y) #===========1.2 Fast Simulated Annealing with bounds===================== from sko.SA import SAFast sa_fast = SAFast(func=demo_func, x0=[1, 1, 1], T_max=1, T_min=1e-9, q=0.99, L=300, max_stay_counter=150, lb=[-1, 1, -1], ub=[2, 3, 4]) sa_fast.run() print('Fast Simulated Annealing with bounds: best_x is ', sa_fast.best_x, 'best_y is ', sa_fast.best_y) #===========2.1 Boltzmann Simulated Annealing==================== from sko.SA import SABoltzmann sa_boltzmann = SABoltzmann(func=demo_func, x0=[1, 1, 1], T_max=1, T_min=1e-9, q=0.99, L=300, max_stay_counter=150) sa_boltzmann.run() print('Boltzmann Simulated Annealing: best_x is ', sa_boltzmann.best_x, 'best_y is ', sa_fast.best_y) #===========2.2 Boltzmann Simulated Annealing with bounds==================== from sko.SA import SABoltzmann sa_boltzmann = SABoltzmann(func=demo_func, x0=[1, 1, 1], T_max=1, T_min=1e-9, q=0.99, L=300, max_stay_counter=150, lb=-1, ub=[2, 3, 4]) sa_boltzmann.run() print('Boltzmann Simulated Annealing with bounds: best_x is ', sa_boltzmann.best_x, 'best_y is ', sa_fast.best_y) #==================3.1 Cauchy Simulated Annealing================== from sko.SA import SACauchy sa_cauchy = SACauchy(func=demo_func, x0=[1, 1, 1], T_max=1, T_min=1e-9, q=0.99, L=300, max_stay_counter=150) sa_cauchy.run() print('Cauchy Simulated Annealing: best_x is ', sa_cauchy.best_x, 'best_y is ', sa_cauchy.best_y) #==================3.2 Cauchy Simulated Annealing with bounds================== from sko.SA import SACauchy sa_cauchy = SACauchy(func=demo_func, x0=[1, 1, 1], T_max=1, T_min=1e-9, q=0.99, L=300, max_stay_counter=150, lb=[-1, 1, -1], ub=[2, 3, 4]) sa_cauchy.run() print('Cauchy Simulated Annealing with bounds: best_x is ', sa_cauchy.best_x, 'best_y is ', sa_cauchy.best_y)
2 Matlab實現
2.1 模擬退火法
clear clc T=1000; %初始化溫度值 T_min=1; %設置溫度下界 alpha=0.99; %溫度的下降率 num=1000; %顆粒總數 n=2; %自變量個數 sub=[-5,-5]; %自變量下限 up=[5,5]; %自變量上限 tu for i=1:num for j=1:n x(i,j)=(up(j)-sub(j))*rand+sub(j); end fx(i,1)=fun(x(i,1),x(i,2)); end %以最小化為例 [bestf,a]=min(fx); bestx=x(a,:); trace(1)=bestf; while(T>T_min) for i=1:num for j=1:n xx(i,j)=(up(j)-sub(j))*rand+sub(j); end ff(i,1)=fun(xx(i,1),xx(i,2)); delta=ff(i,1)-fx(i,1); if delta<0 fx(i,1)=ff(i,1); x(i,:)=xx(i,:); else P=exp(-delta/T); if P>rand fx(i,1)=ff(i,1); x(i,:)=xx(i,:); end end end if min(fx)<bestf [bestf,a]=min(fx); bestx=x(a,:); end trace=[trace;bestf]; T=T*alpha; end disp('最優解為:') disp(bestx) disp('最優值為:') disp(bestf) hold on plot3(bestx(1),bestx(2),bestf,'ro','LineWidth',5) figure plot(trace) xlabel('迭代次數') ylabel('函數值') title('模擬退火算法') legend('最優值')
function z=fun(x,y) z = x.^2 + y.^2 - 10*cos(2*pi*x) - 10*cos(2*pi*y) + 20;
function tu [x,y] = meshgrid(-5:0.1:5,-5:0.1:5); z = x.^2 + y.^2 - 10*cos(2*pi*x) - 10*cos(2*pi*y) + 20; figure mesh(x,y,z)%建一個網格圖,該網格圖為三維曲面,有實色邊顏色,無面顏色 hold on xlabel('x') ylabel('y') zlabel('z') title('z = x^2 + y^2 - 10*cos(2*pi*x) - 10*cos(2*pi*y) + 20')
這裡有一個待嘗試的想法,先用蒙特卡洛/模擬退火迭代幾次全局去找最優的區域,再通過其他有向最優逼近過程的算法再進一步尋優,或許會很大程度降低產生局部最優解的概率。
下面是模擬退火和蒙特卡洛對上述函數尋優的程序,迭代次數已設為一致,可以思考下兩種程序寫法的效率、共同點、缺點。理論研究講究結果好,實際應用既要保證結果好也要保證程序運算效率。
2.2 蒙特卡諾法
clear clc num=689000; %顆粒總數 n=2; %自變量個數 sub=[-5,-5]; %自變量下限 up=[5,5]; %自變量上限 tu x=zeros(num,n); fx=zeros(num,1); for i=1:num for j=1:n x(i,j)=(up(j)-sub(j))*rand+sub(j); end fx(i,1)=fun(x(i,1),x(i,2)); end [bestf,a]=min(fx); bestx=x(a,:); disp('最優解為:') disp(bestx) disp('最優值為:') disp(bestf) hold on plot3(bestx(1),bestx(2),bestf,'ro','LineWidth',5)
效果確實值得商榷。
到此這篇關於Python&Matla實現模擬退火法的示例代碼的文章就介紹到這瞭,更多相關Python&Matla 模擬退火法內容請搜索WalkonNet以前的文章或繼續瀏覽下面的相關文章希望大傢以後多多支持WalkonNet!
推薦閱讀:
- Python 中的 Counter 模塊及使用詳解(搞定重復計數)
- python機器學習MATLAB最小二乘法的兩種解讀
- Python函數命名空間和作用域(Local與Global)
- Python推導式使用詳情
- 淺談Python從全局與局部變量到裝飾器的相關知識