python 模拟退火算法 代码实现

模拟退火算法（Simulated Annealing）是一种全局优化算法，用于在搜索空间中寻找最优解。它模拟了固体退火的过程，通过控制温度和能量来逐渐降低系统的能量，从而达到找到全局最优解的目的。

下面是一个简单的Python代码实现模拟退火算法的示例：

import math
import random

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

    current_temperature = initial_temperature

    for i in range(num_iterations):
        new_solution = generate_neighbor(current_solution)
        current_cost = cost_func(current_solution)
        new_cost = cost_func(new_solution)

        if new_cost < current_cost:
            current_solution = new_solution
            if new_cost < cost_func(best_solution):
                best_solution = new_solution
        else:
            probability = math.exp((current_cost - new_cost) / current_temperature)
            if random.random() < probability:
                current_solution = new_solution

        current_temperature *= cooling_rate

    return best_solution

# 示例的目标函数为计算x的平方
def cost_func(solution):
    return solution ** 2

# 生成邻居解的函数，这里随机生成一个在当前解附近的解
def generate_neighbor(solution):
    return solution + random.uniform(-1, 1)

# 调用模拟退火算法进行优化
initial_solution = 10
initial_temperature = 100
cooling_rate = 0.95
num_iterations = 1000

best_solution = simulated_annealing(cost_func, initial_solution, initial_temperature, cooling_rate, num_iterations)
print("最优解:", best_solution)

这段代码实现了一个简单的模拟退火算法，目标函数为计算x的平方。在每次迭代中，通过生成邻居解并计算其代价，根据一定的概率接受新解或者保持当前解。随着迭代次数的增加，温度逐渐降低，概率接受较差解的可能性减小，从而逐渐收敛到全局最优解。