知识卡片
多轮无改善触发升温再退火
这个降质图像复原方法把离散 Hopfield 神经网络和模拟退火结合:设定一个能量函数作为目标函数,能量越低复原越好;在温度 T 下逐个遍历像素,尝试改变网络中对应神经元的状态,并计算能量差 ΔE。
- ΔE < 0:能量下降,接受改变。
- ΔE > 0:计算 exp(−ΔE/T),大于 0~1 间的随机数时仍接受,否则放弃。
传统做法为避免过早收敛必须缓慢降温,运行时间很长。回火的做法是改用快速降温,同时设一个触发条件:在某一温度下重复多次抽取后解的质量毫无改变,就判定陷入局部最优,把温度 T 提高后重新退火。它用“停滞”作为恢复探索的信号;是否真的改善仍需实验判定,升温不构成跳出局部最优的保证。
结构图:
flowchart TD
A[初始化能量函数、降质图像、温度与回火条件] --> B[温度T下逐像素改变神经元状态]
B --> C{能量差小于0?}
C -- 是 --> E[接受状态改变]
C -- 否 --> F[按指数概率接受或放弃]
E --> G{多次抽取后解质量无改变?}
F --> G
G -- 是 --> H[回火:提高温度T]
H --> B
G -- 否 --> I[快速降温得到新T]
I --> J{低于终止温度?}
J -- 否 --> B
J -- 是 --> K[输出复原图像]
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 . 4 基 于 模 拟 退 火 算 法 的 图 像 处 理 · 查看原书依据
该算法引入的回火过程是指,当算法收敛到局部最优时,利用回火再退火的触发条件(即通过多次退火过程后解的质量没有得到提高),提高温度T的值,使算法跳出局部最优点,重新进行退火过程。
参考来源
- 位置:《智能算法导论》第11章《1 1 . 4 基 于 模 拟 退 火 算 法 的 图 像 处 理》(源文件:`_epub-src/EPUB/xhtml/chapter11_0009.xhtml`)
- 结论依据:文中给出多轮退火无质量提升后回火,并在温度下按像素遍历神经元状态;能量下降直接接受,能量上升按指数概率接受,否则保留旧状态。
- 原始内容:回火过程是指,当算法收敛到局部最优时,利用回火再退火的触发条件(即通过多次退火过程后解的质量没有得到提高),提高温度 T 的值,使算法跳出局部最优点,重新进行退火过程。
- 原始内容:步骤3:若Δ E i j <0,则接受状态的改变;若Δ E i j >0,则计算接受概率exp(-Δ E i j / T ),且当接受概率大于随机数random(0,1)时,依然接受状态的改变;否则放弃改变当前状态。