模拟退火python代码

以下是一个简单的模拟退火算法的Python代码实现：

import random
import math

# 需要优化的函数
def objective_function(x, y):
    return math.sin(x) + math.cos(y)

# 模拟退火算法
def simulated_annealing(objective_function, bounds, n_iterations, initial_temp, temp_reduction):
    best_solution = None
    best_fitness = float('-inf')

    # 随机生成一个初始解
    current_solution = [random.uniform(bounds[i][0], bounds[i][1]) for i in range(len(bounds))]
    current_fitness = objective_function(*current_solution)

    # 记录温度
    current_temp = initial_temp

    # 迭代优化
    for i in range(n_iterations):
        # 随机生成一个新解
        candidate = [random.uniform(bounds[i][0], bounds[i][1]) for i in range(len(bounds))]

        # 计算新解的适应度
        candidate_fitness = objective_function(*candidate)

        # 计算适应度提高的程度
        delta_fitness = candidate_fitness - current_fitness

        # 判断是否接受新解
        if delta_fitness > 0 or math.exp(delta_fitness / current_temp) > random.random():
            current_solution = candidate
            current_fitness = candidate_fitness

        # 更新最优解
        if current_fitness > best_fitness:
            best_solution = current_solution
            best_fitness = current_fitness

        # 降低温度
        current_temp *= temp_reduction

    return (best_solution, best_fitness)

# 测试
bounds = [(-10, 10), (-10, 10)]
best_solution, best_fitness = simulated_annealing(objective_function, bounds, 1000, 100, 0.95)
print("最优解：", best_solution)
print("最优解对应的适应度：", best_fitness)

这段代码实现了一个优化函数 `objective_function` 的模拟退火算法。算法的输入包括需要优化的函数、搜索空间的边界、迭代次数、初始温度和温度降低率等参数。其中，随机生成一个初始解，然后在每次迭代中随机生成一个新解，并根据一定的概率接受该解或者继续保留当前解。随着迭代次数的增加和温度的降低，算法最终收敛到一个局部最优解。