知识卡片
局部最优时回升温度以恢复探索
退火温度过低时,较差候选的接受概率接近 0,搜索落入局部最优后可能长时间无法离开。单调升温策略在判定进入局部最优时提高温度,以增大接受较差移动的机会,从而恢复探索。它是特定改进策略,原文未给判定阈值或升温幅度,须结合问题验证。
补充教学示例(非书中数据)。目标增量 Δ = 5。T = 0.1 时 exp(−5/0.1) ≈ 0,几乎不接受变差;把温度升到 5,exp(−5/5) ≈ 0.37,约三成机会离开当前点。概率公式见 [[较差候选仍可按温度概率接受]]。
这张卡片看不懂?
这张卡片的反馈已满 10 条,暂时无法继续提交。
已有反馈 · 0 / 10 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- 1 1 . 1 . 2 模 拟 退 火 算 法 发 展 历 程 · 查看原书依据
1991年,谢云等通过分析发现SAA在进入局部最优时,温度过低会导致得到最优解的时间代价无限增加,因此,他们提出了单调升温的SAA[14],在进入局部最优时升高温度,加快了算法的收敛速度。1993年,Lin F.等将SAA与GA结合起来,提高了SAA的求解精度,改善了算法的性能[15]。
参考来源
- 位置:《智能算法导论》第11章《1 1 . 1 . 2 模 拟 退 火 算 法 发 展 历 程》(源文件:`_epub-src/EPUB/xhtml/chapter11_0003.xhtml`)
- 结论依据:原文指出进入局部最优且温度过低会使求解时间代价无限增加,单调升温 SAA 在进入局部最优时升高温度。Δ=5 的两档温度演算为依据 Metropolis 规则补充的教学示例,非书中数据。
- 原始内容:在进入局部最优时升高温度,加快了算法的收敛速度。