Algorithm 模拟退火与路径发现

我已经阅读了大量关于模拟退火（SA）及其在求解TSP中的有效性的文献。这让我想到SA是否可以用于优化从

源

到

目标

的路径查找

基本SA伪代码（来自wiki）

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

---

这里，

s0

表示一个解决方案（因此在我的例子中，它已经意味着一个源-目标路径），我的问题是除了使用最大流算法或dijikstra算法之外，我如何生成这些“解决方案”。

取决于您所谈论的路径类型。你认为游戏或机器人的寻路算法还是更抽象的（例如一种图形结构）。@ MikEMB图形结构。@ MikEMB考虑4x4矩阵。让代理从0,0开始，需要转到3,3。一些指数产生正成本，一些指数产生负成本。我可以直接应用SA吗？或者我应该先使用一些路径查找算法，获得多条路径并使用SA优化路径列表吗？老实说，我可能根本不会使用SA。但是，如果您想使用SA，并假设矩阵中的相邻字段具有类似的成本，我将从一条比较直的路径开始，然后添加额外的“航路点”，您可以随机移动。能级越低，我使用的航路点越多，在创建新解决方案时对这些航路点所做的更改越小。如果我能想出一个实际的算法，我会给你一个正确的答案。你可以使用SA来找到基本上任何问题的近似解，但只有在没有更好的方法解决这个问题的情况下，才有意义应用它。TSP是一个NP完全问题，所以使用SA来解决它是有意义的，但是Dijstra的算法，特别是A*算法，速度很快，并且给出了可证明的最短路径，所以为什么不使用其中的一个呢？

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.