模拟退火 python

模拟退火（Simulated Annealing）是一种优化算法，常用于解决复杂的优化问题。下面是一个简单的模拟退火算法的 Python 代码示例：

import math
import random

def objective_function(x):
    # 定义目标函数，即需要优化的函数
    return x**2

def simulated_annealing(objective_function, initial_solution, initial_temperature, cooling_rate, num_iterations):
    current_solution = initial_solution
    best_solution = initial_solution

    current_temperature = initial_temperature

    for i in range(num_iterations):
        # 生成新解
        new_solution = current_solution + random.uniform(-1, 1)
        
        # 计算当前解和新解之间的目标函数值差异
        current_cost = objective_function(current_solution)
        new_cost = objective_function(new_solution)
        cost_diff = new_cost - current_cost
        
        # 判断是否接受新解
        if cost_diff < 0 or math.exp(-cost_diff / current_temperature) > random.random():
            current_solution = new_solution
        
        # 更新最优解
        if objective_function(current_solution) < objective_function(best_solution):
            best_solution = current_solution
        
        # 降低温度
        current_temperature *= cooling_rate

    return best_solution

# 使用模拟退火算法求解最小值
initial_solution = 10
initial_temperature = 100
cooling_rate = 0.9
num_iterations = 1000

best_solution = simulated_annealing(objective_function, initial_solution, initial_temperature, cooling_rate, num_iterations)

print("最优解为:", best_solution)
print("最小值为:", objective_function(best_solution))

在上面的示例代码中，我们首先定义了需要优化的目标函数 `objective_function`，然后使用 `simulated_annealing` 函数来执行模拟退火算法。需要传入的参数包括初始解、初始温度、降温速率以及迭代次数。

请注意，以上代码只是一个简单的示例，实际应用中可能需要根据具体的问题进行适当的修改和调整。