模拟退火优化算法matlab代码

当然可以！以下是一个使用模拟退火算法进行优化的简单 MATLAB 代码示例：

% 目标函数
function fval = objectiveFunction(x)
    fval = x(1)^2 + x(2)^2; % 这里以求解(x1, x2)平方和的最小值为例
end

% 模拟退火算法
function [xmin, fmin] = simulatedAnnealing()
    % 初始解和初始温度
    x0 = [0, 0]; % 初始解
    T0 = 100; % 初始温度

    % 冷却率和停止温度
    alpha = 0.95; % 冷却率
    Tstop = 1e-5; % 停止温度

    % 迭代次数和当前温度
    maxIter = 1000; % 最大迭代次数
    T = T0; % 当前温度

    % 初始化最优解和最优值
    xmin = x0;
    fmin = objectiveFunction(x0);

    % 开始模拟退火算法迭代过程
    for iter = 1:maxIter
        % 生成新解
        xnew = xmin + randn(1, 2); % 根据当前解生成新解（这里使用高斯分布随机生成）

        % 计算目标函数值的变化量
        delta_f = objectiveFunction(xnew) - fmin;

        % 根据Metropolis准则决定是否接受新解
        if delta_f < 0 || exp(-delta_f / T) > rand()
            xmin = xnew; % 更新最优解
            fmin = objectiveFunction(xnew); % 更新最优值
        end

        % 降温
        T = alpha * T;

        % 判断是否达到停止温度
        if T < Tstop
            break;
        end
    end
end

% 调用模拟退火算法求解最优解
[xmin, fmin] = simulatedAnnealing();

% 输出结果
disp('最优解:');
disp(xmin);
disp('最优值:');
disp(fmin);

在以上示例中，`objectiveFunction` 函数定义了需要优化的目标函数，这里以求解 `(x1, x2)` 平方和的最小值为例。`simulatedAnnealing` 函数实现了模拟退火算法的逻辑，包括初始解、初始温度、冷却率、停止温度等参数的设置，以及迭代过程中的新解生成、Metropolis准则的应用、降温和停止条件的判断等。最后，调用 `simulatedAnnealing` 函数求解最优解，并输出结果。

请注意，这只是一个简单的示例代码，实际应用中可能需要根据具体问题进行适当的修改和调整。希望对你有所帮助！如果还有其他问题，请随时提问。