Python退火算法在高次方程的應(yīng)用
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(wěn)定態(tài)時的過程,熱力學(xué)上溫度(內(nèi)能)越高原子態(tài)越不穩(wěn)定,而溫度有一個向低溫區(qū)輻射降溫的物理過程,當(dāng)物質(zhì)內(nèi)能不再降低時候該物質(zhì)原子態(tài)逐漸成為穩(wěn)定有序態(tài),這對我們從隨機(jī)復(fù)雜問題中找出最優(yōu)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(jì)算方程
我們所要計(jì)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(dāng)然這個函數(shù)的開口是向上的,那么在一個無限長的區(qū)間內(nèi)我們可能找不出最大值點(diǎn),因此我們嘗試在較短區(qū)間內(nèi)解最小值點(diǎn),我們成為最優(yōu)解。
解法1:
毫無疑問,數(shù)學(xué)方法多次求導(dǎo)基本可以解出,但是這個過程較復(fù)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(qū)間[-10,10]上的最優(yōu)解,直接隨機(jī)200個點(diǎn),再除以10(這樣可以得到非整數(shù)橫坐標(biāo)),再依此計(jì)算其縱坐標(biāo)f(x),min{f(x)}一下,用list的index方法找出最小值對應(yīng)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(biāo)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(biāo)為:",list_y) #經(jīng)驗(yàn)證,這里算出來的結(jié)果6.5和最優(yōu)解1549都是對的 print("最小值為:",min(list_y)) num = min(list_y) print("最優(yōu)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(biāo)標(biāo)題 plt.ylabel('Y') #縱坐標(biāo)標(biāo)題 #plt.title('Interesting Graph\nCheck it out',loc="right") #圖像標(biāo)題 #plt.title('Interesting Graph\nCheck it out') plt.legend() #顯示Fisrt Line和Second Line(label)的設(shè)置 plt.savefig('C:/Users/zhengyong/Desktop/1.png') plt.show()
得到如下結(jié)果:
那么我們得出最優(yōu)解的坐標(biāo)是(6.5,-1549.6875),結(jié)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(jī)一個[-10.10]之間的隨機(jī)解,作為初始解空間,比方說隨機(jī)了一個位于[-2.5.2.5]中最高的那個點(diǎn)就是點(diǎn)1(橫坐標(biāo)為x1),他有對于的縱坐標(biāo)的值y1,這時候我們把這個點(diǎn)的橫坐標(biāo)隨機(jī)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(jī)移動值),加或者減后得到新的橫坐標(biāo)的值x2,再算出這個橫坐標(biāo)的對應(yīng)縱坐標(biāo)(y2),對比之前的縱坐標(biāo)的大小,這里設(shè)置
delta = y2-y1,發(fā)現(xiàn)無論怎樣都是小于原先的縱坐標(biāo)(前提是隨機(jī)移動值足夠?。?,這時候我們把新得到的x2賦值給x1,這時候現(xiàn)在的x2的值傳給x1,x1是原先隨機(jī)的值,這個過程可以重復(fù)iter_num 次,大小就根據(jù)自己的區(qū)間來。
上述的整個過程是在一個溫度下進(jìn)行的,這個過程結(jié)束后我們用溫度更新公式再次的更新溫度,再去重復(fù)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(yīng)的熱能衰減公式來計(jì)算,T(t)=T0/(1+lnt),t=1,2,3,...,這都是簡單的狀態(tài)更新方法。
也就是說,不管你隨機(jī)的是幾我都能朝著優(yōu)化的方向前進(jìn)(前提是非最優(yōu)點(diǎn))。
其次,點(diǎn)2 是同理的,區(qū)別在于他是局部最優(yōu)解,那么跳出這個局部最優(yōu)解的機(jī)制是什么呢?
若初始點(diǎn)是(x3,y3),然后用上述方法得出(x4,y4),在點(diǎn)二處得到的delta肯定是大于0的,那么怎么辦呢?當(dāng)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(yōu)的點(diǎn),叫Metropolis準(zhǔn)則,具體是這樣的:
這里的E就是y,T就是當(dāng)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(dāng)?shù)啻蔚臅r候,每次向右移動的步長累加到點(diǎn)1 時候他就有可能找到最終的最優(yōu)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(shù)多久一定會跑出來到最優(yōu)解處。
最優(yōu),點(diǎn)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(jì)算方程(x - 2) * (x + 3) * (x + 8) * (x - 9)的計(jì)算方法 #class沒啥用 import numpy as np import matplotlib.pyplot as plt from matplotlib import pyplot as plt #設(shè)置基本參數(shù) #T初始溫度,T_stop,iter_num每個溫度的迭代次數(shù),Q溫度衰減次數(shù) 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(qū)間(2 * np.random.rand() - 1)本身是(-1,1),所以加上就是一個隨機(jī)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(dāng)前溫度:",T_start) T_start = T_start * Q print("最優(yōu)解x是:", init_x) #這里最初寫的是new_x,所以結(jié)果一直不對 print("最優(yōu)解是:", init_y) #比如我加上new_x,真假之間的誤差實(shí)際就是最后一次的賦值“init_x = new_x” print("假最優(yōu)解x是:", new_x) #這里最初寫的是new_x,所以結(jié)果一直不對 print("假最優(yōu)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(biāo)標(biāo)題 plt.ylabel('Y for tuihuo') #縱坐標(biāo)標(biāo)題 #plt.title('Interesting Graph\nCheck it out',loc="right") #圖像標(biāo)題 #plt.title('Interesting Graph\nCheck it out') plt.legend() #顯示Fisrt Line和Second Line(label)的設(shè)置 plt.savefig('C:/Users/zhengyong/Desktop/1.png') plt.show()
這里用了class,發(fā)現(xiàn)并不需要,但是不想改了,就這樣吧。
最優(yōu)結(jié)果為:
得出的示意圖為:
三,總結(jié)
退火算法的具體思想我沒怎么講,但是核心的點(diǎn)我都寫出來了,經(jīng)過驗(yàn)證發(fā)現(xiàn)退火算法得出了(6.551677228904226,-1548.933671426107)的最優(yōu)解,看看解法二的(6.5,-1549.6875),我們發(fā)現(xiàn),呵呵,差不多,誤差來講的話,能接受,當(dāng)然讀者也可以多跑幾個數(shù)據(jù)出來驗(yàn)證。
我的實(shí)驗(yàn)環(huán)境是Python3.6,Numpy1.14.3,matplotlib2.2.2,64位win10,1709教育版,OS內(nèi)核16299.547,就這樣吧,盡量講詳細(xì)點(diǎn)。
總結(jié)
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(yīng)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(fù)大家的。在此也非常感謝大家對腳本之家網(wǎng)站的支持!
相關(guān)文章
python3 requests中使用ip代理池隨機(jī)生成ip的實(shí)例
今天小編就為大家分享一篇python3 requests中使用ip代理池隨機(jī)生成ip的實(shí)例,具有很好的參考價值,希望對大家有所幫助。一起跟隨小編過來看看吧2018-05-05Python?設(shè)計(jì)模式創(chuàng)建型單例模式
這篇文章主要介紹了Python?設(shè)計(jì)模式創(chuàng)建型單例模式,即Singleton,單例是一種設(shè)計(jì)模式,應(yīng)用該模式的類只會生成一個實(shí)例,下文詳細(xì)介紹需要的小伙伴可以參考一下2022-02-02Python基于whois模塊簡單識別網(wǎng)站域名及所有者的方法
這篇文章主要介紹了Python基于whois模塊簡單識別網(wǎng)站域名及所有者的方法,簡單分析了Python whois模塊的安裝及使用相關(guān)操作技巧,需要的朋友可以參考下2018-04-04一文向您詳細(xì)介紹指令 python -m pip install的用法和功能
通過本文的介紹,我們詳細(xì)了解了python -m pip install命令的用法和功能,從基本用法到安裝特定版本的包、從其他源安裝包、升級和卸載包,再到使用requirements.txt管理依賴,我們逐步深入了解了pip的強(qiáng)大功能,感興趣的朋友跟隨小編一起看看吧2024-07-07python反轉(zhuǎn)(逆序)字符串的6種方法詳細(xì)
這篇文章主要介紹了python反轉(zhuǎn)(逆序)字符串的6種方法詳細(xì),需要的朋友可以參考下2021-04-04