Artificial intelligence 在简单爬山算法中加入模拟退火算法

Artificial intelligence 在简单爬山算法中加入模拟退火算法,artificial-intelligence,simulated-annealing,hill-climbing,Artificial Intelligence,Simulated Annealing,Hill Climbing,我创建了一个爬山算法,随机生成一个解决方案,然后复制该解决方案,并对其进行一点变异,看看是否最终得到了更好的解决方案。如果它这样做了,它将保留新的解决方案并丢弃旧的解决方案 如果我想在这个算法中加入模拟退火,我可以从一个更高的变异率开始,并在每次创建一个新的解决方案时稍微降低变异率吗 我假设变异率将作为模拟退火算法的温度,对吗?变异率将作为退火的温度,但每次选择更好的解决方案并不是完美的模拟退火 你需要根据更好的选择和突变率来选择更好的选择。(即三角形和温度)这样你就可以让模拟退火算法脱离局部最

我创建了一个爬山算法,随机生成一个解决方案,然后复制该解决方案,并对其进行一点变异,看看是否最终得到了更好的解决方案。如果它这样做了,它将保留新的解决方案并丢弃旧的解决方案

如果我想在这个算法中加入模拟退火,我可以从一个更高的变异率开始,并在每次创建一个新的解决方案时稍微降低变异率吗


我假设变异率将作为模拟退火算法的温度,对吗?

变异率将作为退火的温度,但每次选择更好的解决方案并不是完美的模拟退火


你需要根据更好的选择和突变率来选择更好的选择。(即三角形和温度)这样你就可以让模拟退火算法脱离局部最优。如果你一直选择最好的,你可能会陷入局部最优

对。但有时你也应该考虑接受恶化的步骤,以摆脱局部极小值。单数最优值,复数最优值。没有所谓的局部最优解。