旅游网站项目策划书,陕西高端品牌网站建设价格,网页设计培训有工资吗,做阿里巴巴好还是网站好目录
1.算法流程简介
2.算法核心代码
3.算法效果展示 1.算法流程简介 1.设定退火算法的基础参数
2.设定需要优化的函数,求解该函数的最小值/最大值
3.进行退火过程#xff0c;随机产生退火解并且纠正,直到冷却
4.绘制可视化图片进行了解退火整体过程1.设定退火算法的基础参数
2.设定需要优化的函数,求解该函数的最小值/最大值
3.进行退火过程随机产生退火解并且纠正,直到冷却
4.绘制可视化图片进行了解退火整体过程2.算法核心代码
#利用退火算法求解函数的极值(优化问题)
import numpy as np
from random import random
import random
import math
import matplotlib.pyplot as plt
#设定退火算法的基础参数
x_min,x_max(-3,3)#x的取值范围
alpha0.99#降温系数为0.99
bg_temp100#起始温度
ed_temp0.01#最终温度(可设可不设)
cycle_number500#循环次数
#设定需要优化的函数,求解该函数的最小值需要运用的化直接修改函数即可.
不过需要注意定义域的问题,主动修改一下定义域就行def opt_fun(x):y11*np.sin(2*x)7*np.cos(5*x)return y
#由于没有具体的数据,我们直接随机设置值就行随机产生初始值#随机产生本次退火解
def new_result(x):x1xbg_temp*random.uniform(-1,1)#退火解的合理性检查并且纠正if x_minx1x_max:return x1elif x1x_min:add_minrandom.uniform(-1,1)return add_min*x_min(1-add_min)*xelse:add_maxrandom.uniform(-1,1)return add_max*x_max(1-add_max)*x
def draw_picture(x):plt.cla()#绘图的时候这里可以进行修改#注意这里y的取值范围[-25,25]要大体预估一下plt.axis([x_min-1,x_max1,-25,25])mnp.arange(x_min,x_max,0.0001)plt.plot(m,opt_fun(m),colorred)plt.plot(x,opt_fun(x),marker*,colorb,markersize8)plt.title(Current Temperature{}.format(T))plt.pause(0.1)#设定接受概率函数
def p(x,x1):return math.exp(-abs(opt_fun(x)-opt_fun(x1))/T)#循环退火过程,直到冷却求出最优解
def Annealing_cycle():global Tcount_number0Tbg_tempxrandom.uniform(x_min,x_max)print(*******************************************************************************************************************)while Ted_temp:draw_picture(x)for i in range(cycle_number):x1new_result(x)#求解最小值的过程if opt_fun(x)opt_fun(x1):xx1else:if random.random()p(x,x1):xx1else:continueTT*alphacount_numbercount_number1print(当前执行第{}.format(count_number),次退火过程, 当前退火温度为:{}.format(T), 当前最优值:{}.format(opt_fun(x)))print(*******************************************************************************************************************)print(本次退火优化过程共执行{}.format(count_number),次求得的最优解为:{}.format(opt_fun(x)))print(*******************************************************************************************************************)
Annealing_cycle()
3.算法效果展示
