模擬退火演算法優化
㈠ MATLAB模擬退火求解最優化問題時每次的結果都不一樣，如何解決回答後適當加分
模擬退火演算法，蟻群演算法和遺傳演算法都是啟發式隨機搜索演算法，這種演算法理論上式不可能得到最優解的，只能去接近它，由於初始解是隨機的，所以每次運行結果必然是不一樣的。根據你問題的規模運行數十次和數百次，然後求平均值，可以判斷你的演算法優劣。
㈡ 已知運輸問題兩個最優解第三個怎麼求
第三個最優解可以是採用模擬退火演算法來求解。模擬退火演算法是一種基於概率搜索的最優化演算法，它通過模擬一個熱體系的過程來搜索最優解。演算法的步驟是：首先，從一個初始的解空間中隨機選擇一個解；然後，根據帆橘虛一定的溫度伍明策略在當態燃前解的鄰域尋找新的解，並根據一定的概率接受新解；最後，根據一定的溫度下降策略，每次下降溫度，直到達到一定的精度為止。
㈢ 求一個模擬退火演算法優化BP神經網路的一個程序（MATLAB）
「模擬退火」演算法是源於對熱力學中退火過程的模擬，在某一給定初溫下，通過緩慢下降溫度參數，使演算法能夠在多項式時間內給出一個近似最優解。退火與冶金學上的『退火』相似，而與冶金學的淬火有很大區別，前者是溫度緩慢下降，後者是溫度迅速下降。
「模擬退火」的原理也和金屬退火的原理近似：我們將熱力學的理論套用到統計學上，將搜尋空間內每一點想像成空氣內的分子；分子的能量，就是它本身的動能；而搜尋空間內的每一點，也像空氣分子一樣帶有「能量」，以表示該點對命題的合適程度。演算法先以搜尋空間內一個任意點作起始：每一步先選擇一個「鄰居」，然後再計算從現有位置到達「鄰居」的概率。
這個演算法已經很多人做過，可以優化BP神經網路初始權值。附件是解決TSP問題的matlab代碼，可供參考。看懂了就可以自己編程與bp代碼結合。
㈣ 模擬退火演算法在鋼筋混凝土結構與構件設計中的應用方式主要有哪些
有以下應用。
基於模擬退火演算法理論,建立某懸臂澆築拱橋參數化有限元模型,使用Matlab與Ansys聯合求解施工階段全局最優索力數值解。計算結果表明:修正後的索力較原設計索力普遍。
結合我國現行的結構設計規范,對承受多工況荷載下的鋼筋混凝土框架(RC)結構離散變數的優化設計問題,提出了一種基於模擬退火演算法的優化演算法。通過建立配筋模板資料庫,將樑柱的計算配筋面積轉換成最優的且滿足規范和施工要求的實際配筋形式。在模擬退火演算法中提出了自適應設計域技術,提高了演算法的效率。將上述優化演算法在大型有限元軟體ANSYS和建築結構設計專用軟體SATWE軟體上進行了程序實現。對一個15層的結構進行了優化設計,結果表明本文提出的方法是有效的和可操作的。
㈤ 模擬退火演算法優化BP神經網路
bp神經元網路的學習過程真正求解的其實就是權值的最優解，因為有可能會得出局部最優解，所以你才會用模擬退火來跳出局部最優解，也就是引入了逃逸概率。在這里你可以把bp的學習過程理解成關於 誤差=f（w1,w2...） 的函數，讓這個函數在模擬退火中作為目標函數，再加上模擬退火的一些初始參數（初始溫度啊，退火速度啊等等），就能找到權值解空間的一個不錯的最優解，就是一組權向量。把權向量帶入到bp當中去，輸入新的對象，自然就能算出新的輸出了。
演算法學習要腳踏實地，你要先學會神經元，在學會退火，兩個的結合你才能理解。