模拟退火算法优化
㈠ MATLAB模拟退火求解最优化问题时每次的结果都不一样，如何解决回答后适当加分
模拟退火算法，蚁群算法和遗传算法都是启发式随机搜索算法，这种算法理论上式不可能得到最优解的，只能去接近它，由于初始解是随机的，所以每次运行结果必然是不一样的。根据你问题的规模运行数十次和数百次，然后求平均值，可以判断你的算法优劣。
㈡ 已知运输问题两个最优解第三个怎么求
第三个最优解可以是采用模拟退火算法来求解。模拟退火算法是一种基于概率搜索的最优化算法，它通过模拟一个热体系的过程来搜索最优解。算法的步骤是：首先，从一个初始的解空间中随机选择一个解；然后，根据帆橘虚一定的温度伍明策略在当态燃前解的邻域寻找新的解，并根据一定的概率接受新解；最后，根据一定的温度下降策略，每次下降温度，直到达到一定的精度为止。
㈢ 求一个模拟退火算法优化BP神经网络的一个程序（MATLAB）
“模拟退火”算法是源于对热力学中退火过程的模拟，在某一给定初温下，通过缓慢下降温度参数，使算法能够在多项式时间内给出一个近似最优解。退火与冶金学上的‘退火’相似，而与冶金学的淬火有很大区别，前者是温度缓慢下降，后者是温度迅速下降。
“模拟退火”的原理也和金属退火的原理近似：我们将热力学的理论套用到统计学上，将搜寻空间内每一点想象成空气内的分子；分子的能量，就是它本身的动能；而搜寻空间内的每一点，也像空气分子一样带有“能量”，以表示该点对命题的合适程度。算法先以搜寻空间内一个任意点作起始：每一步先选择一个“邻居”，然后再计算从现有位置到达“邻居”的概率。
这个算法已经很多人做过，可以优化BP神经网络初始权值。附件是解决TSP问题的matlab代码，可供参考。看懂了就可以自己编程与bp代码结合。
㈣ 模拟退火算法在钢筋混凝土结构与构件设计中的应用方式主要有哪些
有以下应用。
基于模拟退火算法理论,建立某悬臂浇筑拱桥参数化有限元模型,使用Matlab与Ansys联合求解施工阶段全局最优索力数值解。计算结果表明:修正后的索力较原设计索力普遍。
结合我国现行的结构设计规范,对承受多工况荷载下的钢筋混凝土框架(RC)结构离散变量的优化设计问题,提出了一种基于模拟退火算法的优化算法。通过建立配筋模板数据库,将梁柱的计算配筋面积转换成最优的且满足规范和施工要求的实际配筋形式。在模拟退火算法中提出了自适应设计域技术,提高了算法的效率。将上述优化算法在大型有限元软件ANSYS和建筑结构设计专用软件SATWE软件上进行了程序实现。对一个15层的结构进行了优化设计,结果表明本文提出的方法是有效的和可操作的。
㈤ 模拟退火算法优化BP神经网络
bp神经元网络的学习过程真正求解的其实就是权值的最优解，因为有可能会得出局部最优解，所以你才会用模拟退火来跳出局部最优解，也就是引入了逃逸概率。在这里你可以把bp的学习过程理解成关于 误差=f（w1,w2...） 的函数，让这个函数在模拟退火中作为目标函数，再加上模拟退火的一些初始参数（初始温度啊，退火速度啊等等），就能找到权值解空间的一个不错的最优解，就是一组权向量。把权向量带入到bp当中去，输入新的对象，自然就能算出新的输出了。
算法学习要脚踏实地，你要先学会神经元，在学会退火，两个的结合你才能理解。