SPA算法python

SPA（Simulated Annealing Algorithm）算法是一种启发式优化算法，用于求解在大规模搜索空间中的全局最优解。它模拟了固体退火的过程，通过随机搜索和接受不太好的解来逐渐收敛到最优解。

以下是一个使用Python实现SPA算法的示例代码：

import random
import math

def cost_function(x):
    # 定义成本函数，根据具体问题来定义
    # 这里以一个简单的函数为例：f(x) = x^2
    return x ** 2

def simulated_annealing(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):
        # 随机生成新的解
        new_solution = current_solution + random.uniform(-1, 1)
        
        # 计算成本函数的差值
        cost_diff = cost_function(new_solution) - cost_function(current_solution)
        
        # 判断是否接受新的解
        if cost_diff < 0 or math.exp(-cost_diff / current_temperature) > random.uniform(0, 1):
            current_solution = new_solution
        
        # 更新最优解
        if cost_function(current_solution) < cost_function(best_solution):
            best_solution = current_solution
        
        # 降低温度
        current_temperature *= cooling_rate
    
    return best_solution

# 示例调用
initial_solution = 0  # 初始解
initial_temperature = 100  # 初始温度
cooling_rate = 0.95  # 降温率
num_iterations = 1000  # 迭代次数

best_solution = simulated_annealing(initial_solution, initial_temperature, cooling_rate, num_iterations)
print("Best solution:", best_solution)
print("Cost:", cost_function(best_solution))

这段代码通过模拟退火算法搜索函数 f(x) = x^2 的最小值，其中初始解为0，初始温度为100，降温率为0.95，迭代次数为1000。最后输出找到的最优解和对应的成本。

请注意，SPA算法适用于各种问题，只需要根据具体问题定义相应的成本函数即可。以上示例代码仅用于说明SPA算法的实现思路，实际应用中需要根据具体问题进行调整和优化。