欧美bbbwbbbw肥妇,免费乱码人妻系列日韩,一级黄片

Python&Matla實現(xiàn)模擬退火法的示例代碼

 更新時間:2022年03月06日 11:12:19   作者:是夢吧,是你吧!  
模擬退火和蒙特卡洛實驗一樣,本文主要介紹了Python&Matla實現(xiàn)模擬退火法的示例代碼,文中通過示例代碼介紹的非常詳細,具有一定的參考價值,感興趣的小伙伴們可以參考一下

1 Python實現(xiàn)

1.1 源碼實現(xiàn)

我在前面已經(jīng)給出了模擬退火法的完整知識點和源碼實現(xiàn):智能優(yōu)化算法—蟻群算法(Python實現(xiàn))

模擬退火蒙特卡洛實驗一樣,全局隨機,由于沒有自適應的過程(例如向最優(yōu)靠近、權重梯度下降等),對于復雜函數(shù)尋優(yōu),很難會找到最優(yōu)解,都是近似最優(yōu)解;然而像蝙蝠算法、粒子群算法等有向最優(yōu)逼近且通過最優(yōu)最差調整參數(shù)的步驟,雖然對于下圖函數(shù)易陷入局部最優(yōu),但是尋優(yōu)精度相對較高。如果理解這段話應該就明白了為什么神經(jīng)網(wǎng)絡訓練前如果初步尋優(yōu)一組較好的網(wǎng)絡參數(shù),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(xiàn)

#===========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 還提供了三種模擬退火流派: 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(xiàn) 

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??倲?shù)
n=2; %自變量個數(shù)
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(yōu)解為:')
disp(bestx)
disp('最優(yōu)值為:')
disp(bestf)
hold on
plot3(bestx(1),bestx(2),bestf,'ro','LineWidth',5)
figure
plot(trace)
xlabel('迭代次數(shù)')
ylabel('函數(shù)值')
title('模擬退火算法')
legend('最優(yōu)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(wǎng)格圖,該網(wǎng)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')

這里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(yōu)的區(qū)域,再通過其他有向最優(yōu)逼近過程的算法再進一步尋優(yōu),或許會很大程度降低產(chǎn)生局部最優(yōu)解的概率。

下面是模擬退火和蒙特卡洛對上述函數(shù)尋優(yōu)的程序,迭代次數(shù)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(shù)
n=2; %自變量個數(shù)
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(yōu)解為:')
disp(bestx)
disp('最優(yōu)值為:')
disp(bestf)
hold on
plot3(bestx(1),bestx(2),bestf,'ro','LineWidth',5)

效果確實值得商榷。

到此這篇關于Python&Matla實現(xiàn)模擬退火法的示例代碼的文章就介紹到這了,更多相關Python&Matla 模擬退火法內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關文章希望大家以后多多支持腳本之家!

相關文章

  • Windows中安裝使用Virtualenv來創(chuàng)建獨立Python環(huán)境

    Windows中安裝使用Virtualenv來創(chuàng)建獨立Python環(huán)境

    有時我們的程序中需要調用不同版本的Python包和模塊,那么借助Virtualenv的虛擬環(huán)境就可以幫助我們隔離使用,接下來我們就來看一下在Windows中安裝使用Virtualenv來創(chuàng)建獨立Python環(huán)境的方法
    2016-05-05
  • 使用coverage統(tǒng)計python web項目代碼覆蓋率的方法詳解

    使用coverage統(tǒng)計python web項目代碼覆蓋率的方法詳解

    這篇文章主要介紹了使用coverage統(tǒng)計python web項目代碼覆蓋率的方法,詳細分析了coverage的安裝以及coverage命令統(tǒng)計py文件相關操作技巧,需要的朋友可以參考下
    2019-08-08
  • 使用python實現(xiàn)CNN-GRU故障診斷的代碼示例

    使用python實現(xiàn)CNN-GRU故障診斷的代碼示例

    這篇文章主要給大家詳細介紹了如何使用python實現(xiàn)CNN-GRU故障診斷,文章中有詳細的代碼示例,具有一定的參考價值,需要的朋友可以參考下
    2023-07-07
  • PyTorch中Tensor的維度變換實現(xiàn)

    PyTorch中Tensor的維度變換實現(xiàn)

    這篇文章主要介紹了PyTorch中Tensor的維度變換實現(xiàn),文中通過示例代碼介紹的非常詳細,對大家的學習或者工作具有一定的參考學習價值,需要的朋友們下面隨著小編來一起學習學習吧
    2019-08-08
  • python中的deque雙向隊列詳解

    python中的deque雙向隊列詳解

    這篇文章主要介紹了python中的deque雙向隊列詳解,相比 list 實現(xiàn)的隊列,deque 擁有更低的時間和空間復雜度,list 實現(xiàn)在出隊(pop)和插入(insert)時的空間復雜度大約為O(n),需要的朋友可以參考下
    2023-09-09
  • Python的函數(shù)使用介紹

    Python的函數(shù)使用介紹

    這篇文章主要介紹了Python的函數(shù)使用,在兩種python循環(huán)語句的使用中,不僅僅是循環(huán)條件達到才能跳出循環(huán)體。所以,在對python函數(shù)進行闡述之前,先對跳出循環(huán)的簡單語句塊進行介紹,需要的朋友可以參考一下
    2021-12-12
  • 舉例區(qū)分Python中的淺復制與深復制

    舉例區(qū)分Python中的淺復制與深復制

    這篇文章主要介紹了舉例區(qū)分Python中的淺復制與深復制,是Python入門學習中的重要知識,需要的朋友可以參考下
    2015-07-07
  • 在Python的gevent框架下執(zhí)行異步的Solr查詢的教程

    在Python的gevent框架下執(zhí)行異步的Solr查詢的教程

    這篇文章主要介紹了在Python的gevent框架下執(zhí)行異步的Solr查詢的教程,Solr請求在處理I/O方面較為高效,需要的朋友可以參考下
    2015-04-04
  • matlab中imadjust函數(shù)的作用及應用舉例

    matlab中imadjust函數(shù)的作用及應用舉例

    這篇文章主要介紹了matlab中imadjust函數(shù)的作用及應用舉例,本文通過實例代碼給大家介紹的非常詳細,具有一定的參考借鑒價值,需要的朋友可以參考下
    2020-02-02
  • pandas || df.dropna() 缺失值刪除操作

    pandas || df.dropna() 缺失值刪除操作

    這篇文章主要介紹了pandas || df.dropna() 缺失值刪除操作,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
    2021-03-03

最新評論