本文介绍了模拟退火（SA）算法在解决旅行商问题（TSP）中的应用。通过动态图展示了SA算法如何避免局部最优，讨论了TSP问题背景，并详细阐述了算法设计，包括编码、邻域结构、接受准则和求解流程。同时，提到了邻域结构的交换、逆转和插入三种操作，并给出了相应函数的说明。
一 | 模拟退火图片演示
首先为了让各位能够对模拟退火算法有一个直观的视觉冲击，现在我们想要找到下面这幅图的极大值点，很明显这幅图中有许多局部极值点，如果仅仅采用简单的爬山算法很容易陷入局部最优。
这时候我们就想如果在搜索过程中陷入了局部最优，那么我们有没有什么办法从这个局部最优点“逃走”呢？
办法总比困难多，既然在搜索过程中已经陷入了局部最优，反正按照常规的思路，陷入局部最优后如果继续进行搜索，基本上找不到比这个局部最优解更好的解。
如果一直找不到比局部最优解更好的解，（PS：常规的思维是不如这个局部最优解好，我们就不对当前解进行更新），那么很明显最终的搜索结果只能是这个局部最优解。
但是
订阅专栏 解锁全文
扫一扫
899
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
