服务器之家

服务器之家 > 正文

Python退火算法在高次方程的应用

时间:2021-03-22 00:37     来源/作者:puppet洛洛

,简介

退火算法不言而喻,就是钢铁在淬炼过程中失温而成稳定态时的过程,热力学上温度(内能)越高原子态越不稳定,而温度有一个向低温区辐射降温的物理过程,当物质内能不再降低时候该物质原子态逐渐成为稳定有序态,这对我们从随机复杂问题中找出最优解有一定借鉴意义,将这个过程化为算法,具体参见其他资料。

二,计算方程

我们所要计算的方程是f(x) = (x - 2) * (x + 3) * (x + 8) * (x - 9),是一个一元四次方程,我们称为高次方程,当然这个函数的开口是向上的,那么在一个无限长的区间内我们可能找不出最大值点,因此我们尝试在较短区间内解最小值点,我们成为最优解。

解法1:

毫无疑问,数学方法多次求导基本可以解出,但是这个过程较复杂,还容易算错,我就不赘述了,读者有时间自己可以尝试解一下。

解法二:

这个解法就是暴力解决了,我们这里只求解区间[-10,10]上的最优解,直接随机200个点,再除以10(这样可以得到非整数横坐标),再依此计算其纵坐标f(x),min{f(x)}一下,用list的index方法找出最小值对应位置就行了,然后画出图形大致瞄一瞄。

直接贴代码:

?
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
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("横坐标为:",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("纵坐标为:",list_y)
#经验证,这里算出来的结果6.5和最优解1549都是对的
print("最小值为:",min(list_y))
num = min(list_y)
print("最优解:",list_y.index(num)/10)
print("第",list_y.index(num)/10-10,"个位置取得最小值")
plt.plot(list_x, list_y, label='nm')
#plt.plot(x2, y2, label='second line')
plt.xlabel('x') #横坐标标题
plt.ylabel('y') #纵坐标标题
#plt.title('interesting graph\ncheck it out',loc="right")  #图像标题
#plt.title('interesting graph\ncheck it out')
plt.legend()  #显示fisrt line和second line(label)的设置
plt.savefig('c:/users/zhengyong/desktop/1.png')
plt.show()

得到如下结果:

Python退火算法在高次方程的应用

那么我们得出最优解的坐标是(6.5,-1549.6875),结果先放这里,接下来用退火算法看能不能解出。

解法三:

我们看一张图(解法二中的方法得出的图),然后讲讲退火算法的最核心的思想。

Python退火算法在高次方程的应用

首先,先随机一个[-10.10]之间的随机解,作为初始解空间,比方说随机了一个位于[-2.5.2.5]中最高的那个点就是点1(横坐标为x1),他有对于的纵坐标的值y1,这时候我们把这个点的横坐标随机加或者减去一个值(注意这个值的大小很重要,我们先叫他随机移动值),加或者减后得到新的横坐标的值x2,再算出这个横坐标的对应纵坐标(y2),对比之前的纵坐标的大小,这里设置

delta = y2-y1,发现无论怎样都是小于原先的纵坐标(前提是随机移动值足够小),这时候我们把新得到的x2赋值给x1,这时候现在的x2的值传给x1,x1是原先随机的值,这个过程可以重复iter_num 次,大小就根据自己的区间来。
上述的整个过程是在一个温度下进行的,这个过程结束后我们用温度更新公式再次的更新温度,再去重复上述步骤。

温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。也可用相应的热能衰减公式来计算,t(t)=t0/(1+lnt),t=1,2,3,...,这都是简单的状态更新方法。

也就是说,不管你随机的是几我都能朝着优化的方向前进(前提是非最优点)。

其次,点2 是同理的,区别在于他是局部最优解,那么跳出这个局部最优解的机制是什么呢?

若初始点是(x3,y3),然后用上述方法得出(x4,y4),在点二处得到的delta肯定是大于0的,那么怎么办呢?当大于0的时候我们每次都有一定的概率来接受这个看起来不是最优的点,叫metropolis准则,具体是这样的:

Python退火算法在高次方程的应用

这里的e就是y,t就是当前温度,delta小于0就是百分百接受新值,否者就是按照这个概率接受,当迭代多次的时候,每次向右移动的步长累加到点1 时候他就有可能找到最终的最优解了,步长是累加的但是概率是累成的,意味着这个概率很小,但是一旦迭代次数多久一定会跑出来到最优解处。

最优,点3不解释了哈,和上面一样。

那么我们上代码:

?
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
#自己改写的退火算法计算方程(x - 2) * (x + 3) * (x + 8) * (x - 9)的计算方法
#class没啥用
import numpy as np
import matplotlib.pyplot as plt
from matplotlib import pyplot as plt
#设置基本参数
#t初始温度,t_stop,iter_num每个温度的迭代次数,q温度衰减次数
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)
      #这个区间(2 * np.random.rand() - 1)本身是(-1,1),所以加上就是一个随机加或者减过程
      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 #新减旧
        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("当前温度:",t_start)
    t_start = t_start * q
print("最优解x是:", init_x)  #这里最初写的是new_x,所以结果一直不对
print("最优解是:", init_y)
#比如我加上new_x,真假之间的误差实际就是最后一次的赋值“init_x = new_x”
print("假最优解x是:", new_x)  #这里最初写的是new_x,所以结果一直不对
print("假最优解是:", 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') #横坐标标题
plt.ylabel('y for tuihuo') #纵坐标标题
#plt.title('interesting graph\ncheck it out',loc="right")  #图像标题
#plt.title('interesting graph\ncheck it out')
plt.legend()  #显示fisrt line和second line(label)的设置
plt.savefig('c:/users/zhengyong/desktop/1.png')
plt.show()

这里用了class,发现并不需要,但是不想改了,就这样吧。

最优结果为:

Python退火算法在高次方程的应用

得出的示意图为:

Python退火算法在高次方程的应用

三,总结

退火算法的具体思想我没怎么讲,但是核心的点我都写出来了,经过验证发现退火算法得出了(6.551677228904226,-1548.933671426107)的最优解,看看解法二的(6.5,-1549.6875),我们发现,呵呵,差不多,误差来讲的话,能接受,当然读者也可以多跑几个数据出来验证。

我的实验环境是python3.6,numpy1.14.3,matplotlib2.2.2,64位win10,1709教育版,os内核16299.547,就这样吧,尽量讲详细点。

总结

以上所述是小编给大家介绍的python退火算法在高次方程的应用,希望对大家有所帮助,如果大家有任何疑问请给我留言,小编会及时回复大家的。在此也非常感谢大家对服务器之家网站的支持!

原文链接:http://www.cnblogs.com/two-peanuts/p/9370162.html
 

相关文章

热门资讯

2020微信伤感网名听哭了 让对方看到心疼的伤感网名大全
2020微信伤感网名听哭了 让对方看到心疼的伤感网名大全 2019-12-26
yue是什么意思 网络流行语yue了是什么梗
yue是什么意思 网络流行语yue了是什么梗 2020-10-11
背刺什么意思 网络词语背刺是什么梗
背刺什么意思 网络词语背刺是什么梗 2020-05-22
Intellij idea2020永久破解,亲测可用!!!
Intellij idea2020永久破解,亲测可用!!! 2020-07-29
苹果12mini价格表官网报价 iPhone12mini全版本价格汇总
苹果12mini价格表官网报价 iPhone12mini全版本价格汇总 2020-11-13
返回顶部