首先有乙個爬山的演算法，這個演算法只是區域性最優鼠目寸光，適用於歐皇
普通人就來模擬退火把
模擬退火演算法描述：
若j( y(i+1) )>= j( y(i) ) (即移動後得到更優解)，則總是接受該移動
若j( y(i+1) )< j( y(i) ) (即移動後的解比當前解要差)，則以一定的概率接受移動，而且這個概率隨著時間推移逐漸降低（逐漸降低才能趨向穩定）
這裡的「一定的概率」的計算參考了金屬冶煉的退火過程，這也是模擬退火演算法名稱的由來。
根據熱力學的原理，在溫度為t時，出現能量差為de的降溫的概率為p(de)，表示為：
p(de) = exp( de/(kt) )
其中k是乙個常數，exp表示自然指數，且de<0。這條公式說白了就是：溫度越高，出現一次能量差為de的降溫的概率就越大；溫度越低，則出現降溫的概率就越小。又由於de總是小於0（否則就不叫退火了），因此de/kt < 0 ，所以p(de)的函式取值範圍是(0,1) 。
隨著溫度t的降低，p(de)會逐漸降低。
我們將一次向較差解的移動看做一次溫度跳變過程，我們以概率p(de)來接受這樣的移動。
就是說，如果下一次的不是優化解，我們也有機率會接受這個移動來防止我們這群井底之蛙看不到遠處的高山
而這個概率就是退火：要求就是初始溫度高，降溫慢，終止溫度低
可以解決的問題：tsp「旅行商問題」的應用領域包括：如何規劃最合理高效的道路交通，以減少擁堵；如何更好地規劃物流，以減少運營成本；在網際網路環境中如何更好地設定節點，以更好地讓資訊流動
這類問題沒有確切的解法，只能找到最優解
得到的是乙個符合要求的解
具體更改tsp.m裡面的x,y座標
數學建模 模擬退火模型
模擬退火模型 swap.m function newpath position swap oldpath number 對 oldpath 進 行 互 換 操 作 number 為 產 生 的 新 路 徑 的 個 數 position 為 對 應 newpath 互 換 的 位 置 m length...
模擬退火演算法
w 模擬退火演算法的基本思想 將乙個優化問題比擬成乙個金屬物體，將優化問題的目標函式比擬成物體的能量，問題的解比擬成物體的狀態，問題的最優解比擬成能量最低的狀態，然後模擬金屬物體的退火過程，從乙個足夠高的溫度開始，逐漸降低溫度，使物體分子從高能量狀態緩慢的過渡到低能量狀態，直至獲得能量最小的理想狀態...
模擬退火合集
首次接觸模擬退火 看來還是挺神奇的。主要參考這篇博文 題意判斷多邊形內部能否容納乙個半徑為r的圓，即在有限的平面內找最優範圍。遺傳演算法的結果難以掌控，爬山演算法又沒法保證跳出區域性最優，所以基於貪心原則的模擬退火演算法還是值得考慮的。然後就是設定每次變化的步長和演化方式。該題可以從每條邊的中點開始...