模拟退火小结(Bzoj3680:吊打xxx)

本文介绍模拟退火算法的基本原理及应用案例,通过详细解释算法流程与参数调整技巧,展示如何解决特定问题。同时提供了完整的代码实现,帮助读者深入理解并实际操作。

简介

就是模拟退火的物理过程,每次随机逼近乘上温度,以\(e^{\Delta/T}\)的概率接受答案,随机一个概率比较
然后就是调参+乱搞

题目

Bzoj3680:吊打xxx
代码

# include <bits/stdc++.h>
# define RG register
# define IL inline
# define Fill(a, b) memset(a, b, sizeof(a))
using namespace std;
typedef long long ll;
const int _(1005);

IL int Input(){
    RG int x = 0, z = 1; RG char c = getchar();
    for(; c < '0' || c > '9'; c = getchar()) z = c == '-' ? -1 : 1;
    for(; c >= '0' && c <= '9'; c = getchar()) x = (x << 1) + (x << 3) + (c ^ 48);
    return x * z;
}

const double EPS(1e-15);
const double dt(0.99);

double x[_], y[_], w[_], ans, ansx, ansy;
int n;

# define Sqr(x) ((x) * (x))
IL double Dis(RG double x1, RG double y1, RG double x2, RG double y2){
    return sqrt(Sqr(x1 - x2) + Sqr(y1 - y2));
}

IL double Sum(RG double x0, RG double y0){
    RG double ret = 0;
    for(RG int i = 1; i <= n; ++i) ret += Dis(x[i], y[i], x0, y0) * w[i];
    return ret;
}

IL double SA(RG double T){
    RG double x0 = ansx, y0 = ansy, cnt = 1e18;
    for(; T > EPS; T *= dt){
        RG double dx = rand() * 2 - RAND_MAX, dy = rand() * 2 - RAND_MAX;
        RG double xx = x0 + T * dx;
        RG double yy = y0 + T * dy;
        RG double ret = Sum(xx, yy);
        if(ret < ans) ans = ret, ansx = xx, ansy = yy;
        if(ret < cnt || exp((cnt - ret) / T) * RAND_MAX > rand()){
            cnt = ret;
            x0 = xx, y0 = yy;
        }
    }
}

int main(RG int argc, RG char* argv[]){
    n = Input();
    srand(n + 19260817); RG double x0 = 0, y0 = 0;
    for(RG int i = 1; i <= n; ++i) x[i] = Input(), y[i] = Input(), w[i] = Input();
    for(RG int i = 1; i <= n; ++i) x0 += x[i], y0 += y[i];
    x0 /= n; y0 /= n; ansx = x0; ansy = y0;
    ans = Sum(x0, y0);
    SA(100000);
    printf("%.3lf %.3lf\n", ansx, ansy);
    return 0;
}

转载于:https://www.cnblogs.com/cjoieryl/p/8428469.html

内容概要:本文系统介绍了算术优化算法(AOA)的基本原理、核心思想及Python实现方法,并通过图像分割的实际案例展示了其应用价值。AOA是一种基于种群的元启发式算法,其核心思想来源于四则运算,利用乘除运算进行全局勘探,加减运算进行局部开发,通过数学优化器加速函数(MOA)和数学优化概率(MOP)动态控制搜索过程,在全局探索与局部开发之间实现平衡。文章详细解析了算法的初始化、勘探与开发阶段的更新策略,并提供了完整的Python代码实现,结合Rastrigin函数进行测试验证。进一步地,以Flask框架搭建前后端分离系统,将AOA应用于图像分割任务,展示了其在实际工程中的可行性与高效性。最后,通过收敛速度、寻优精度等指标评估算法性能,并提出自适应参数调整、模型优化和并行计算等改进策略。; 适合人群:具备一定Python编程基础和优化算法基础知识的高校学生、科研人员及工程技术人员,尤其适合从事人工智能、图像处理、智能优化等领域的从业者;; 使用场景及目标:①理解元启发式算法的设计思想与实现机制;②掌握AOA在函数优化、图像分割等实际问题中的建模与求解方法;③学习如何将优化算法集成到Web系统中实现工程化应用;④为算法性能评估与改进提供实践参考; 阅读建议:建议读者结合代码逐行调试,深入理解算法流程中MOA与MOP的作用机制,尝试在不同测试函数上运行算法以观察性能差异,并可进一步扩展图像分割模块,引入更复杂的预处理或后处理技术以提升分割效果。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值