دانلود کد متلب الگوریتم شبیه سازی تبرید

بازپخت شبیه سازی شده (SA) فراابتکاری احتمالی عمومی برای مشکل بهینه سازی جهانی از محل تقریبی خوب به مطلوب جهانی از یک تابع داده شده را در یک فضای جستجو بزرگ است. این است که اغلب وقتی که فضای جستجو گسسته است استفاده می شود (به عنوان مثال، تمام تورهای است که بازدید از یک مجموعه داده از شهرستانها). برای مشکلات خاص، آنیل شبیه سازی شده ممکن است کارآمد تر از شمارش جامع – به شرطی که هدف این است که صرفا برای پیدا کردن یک راه حل قابل قبول خوب در یک مقدار ثابت از زمان، به جای بهترین راه حل ممکن است.

نام و الهام از سرد شدن آهسته در متالورژی آمده، یک تکنیک شامل گرمایش و سرمایش کنترل از مواد به افزایش اندازه بلورهای آن و کاهش نقص خود را. هر دو ویژگی از مواد که در انرژی آزاد ترمودینامیکی آن بستگی دارد. گرمایش و سرمایش مواد را تحت تاثیر قرار هر دو دما و انرژی آزاد ترمودینامیکی. در حالی که همان مقدار از خنک کننده به ارمغان می آورد همان مقدار کاهش در دمای آن را کاهش بزرگتر و یا کوچکتر در انرژی آزاد ترمودینامیکی بسته به میزان که آن رخ می دهد را، با تولید کاهش بزرگتر با سرعت کند تر.

این مفهوم خنک کننده آهسته در الگوریتم بازپخت شبیه سازی شده به عنوان یک کاهش آهسته در احتمال پذیرش راه حل بدتر آن را به عنوان به بررسی فضای راه حل اجرا شده است. پذیرش راه حل بدتر یک خاصیت بنیادی از metaheuristics است چرا که اجازه می دهد تا برای یک جستجوی گسترده تر برای راه حل مطلوب.

روش به طور مستقل توسط اسکات پاتریک، C. دانیل Gelatt و ماریو P. Vecchi در سال ۱۹۸۳ شرح داده شد، [۱] و با ولادو Černý در ۱۹۸۵٫ [۲] روش اقتباس از الگوریتم متروپلیسهستینگز، روش مونت کارلو است برای تولید ایالات نمونه از یک سیستم ترمودینامیکی، توسط MN اختراع Rosenbluth و در یک مقاله توسط N. کلانشهر و همکاران منتشر شده است. در سال ۱۹۵۳٫ [۳]

محتویات

۱ بررسی اجمالی
۱٫۱ تکرار عمومی
۱٫۲ همسایه ها از یک دولت
۱٫۳ احتمالات پذیرش
۱٫۴ برنامه پخت
۲ شبه
۳ انتخاب پارامترهای
۳٫۱ قطر گراف جستجو
۳٫۲ احتمالات گذار
۳٫۳ احتمالات پذیرش
۳٫۴ نسل نامزد کارآمد
۳٫۵ موانع اجتناب
برنامه ۳٫۶ خنک کننده
۴ راه اندازی مجدد
۵ روش مرتبط
۶ همچنین ببینید
۷ پیوند به بیرون