Algorithm 模拟退火算法中的邻居选择

选择邻居时，应考虑算法的温度吗？所以，例如，如果温度很高，在挑选一个邻居时，应该进行排列吗？还是温度只影响接受概率？

后者是正确的：只有接受概率受温度影响。温度越高，人们就越容易接受“坏”动作来逃避局部最优解。如果预先选择能量值较低的邻居，基本上会与模拟退火的思想相矛盾，并将其转化为贪婪搜索

伪代码来自：

s← s0；E← E（s）//初始状态，能量。
斯贝斯特← s埃伯斯特← e//初始“最佳”解决方案
K← 0//能量评估计数。
当kemax//当时间还剩&不够好时：
T← 温度（k/kmax）//温度计算。
冷嘲热讽← 邻居///挑选一些邻居。
新能源← E（snew）//计算它的能量。
如果P（e，enew，T）>random（），那么//我们应该移动到它吗？
s← snew；E← enew//是，更改状态。
如果enew

我也有同样的问题，但我认为另一篇帖子的答案表明，T与选择邻居有关是相当合理的

选择邻居也取决于你的问题。限制邻里关系的主要原因是，一旦你找到了一个合适的解决方案，即使你后来选择了一个更糟糕的解决方案，你至少会留在邻里关系中。直觉是，大多数目标函数都是光滑的，所以好的解与其他好的解相近。所以，你需要一个足够小的社区，让你接近好的解决方案，但足够大，让你快速找到它们。您可以尝试的一件事是随着时间的推移减少邻域（例如，使其与温度成比例）。-匈牙利11月4日'13 20:58

---

以下是维基百科的描述，其中指出，对于某些问题，实际上应该计算温度

高效的候选生成

启发式的一个更精确的陈述是，我们应该尝试第一个候选状态s'，其中p（E（s），E（s'），T）较大。对于上面的“标准”接受函数P，它意味着E（s'）-E（s）的数量级为T或更小。因此，在上面的旅行推销员示例中，可以使用一个邻居（）函数交换两个随机城市，其中选择城市对的概率随着距离增加超过T而消失。

这确实意味着，在确定邻居时，温度可能是相关因素

---

关于如何编写邻居函数的更有用的读物：

给定该伪代码，它没有定义如何计算邻居。因此，没有显示温度不是计算的一部分。

s ← s0; e ← E(s)                                  // Initial state, energy.
sbest ← s; ebest ← e                              // Initial "best" solution
k ← 0                                             // Energy evaluation count.
while k < kmax and e > emax                       // While time left & not good enough:
  T ← temperature(k/kmax)                         // Temperature calculation.
  snew ← neighbour(s)                             // Pick some neighbour.
  enew ← E(snew)                                  // Compute its energy.
  if P(e, enew, T) > random() then                // Should we move to it?
    s ← snew; e ← enew                            // Yes, change state.
  if enew < ebest then                            // Is this a new best?
    sbest ← snew; ebest ← enew                    // Save 'new neighbour' to 'best found'.
  k ← k + 1                                       // One more evaluation done
return sbest                                      // Return the best solution found.