本文共 1932 字，大约阅读时间需要 6 分钟。

chapter3优化算法

随机搜索

#随机搜索domain是序列，costf是定义的成本函数def randomoptimize(domain,costf):  best=999999999  bestr=None  for i in range(0,1000):    # 创建一个随机解    r=[float(random.randint(domain[i][0],domain[i][1])) for i in range(len(domain))]    # Get the cost    cost=costf(r)    # Compare it to the best one so far    if cost

容易陷入局部最小值）*

#爬山法，从一个随机解开始，到临近找更好的方法，不会随机浪费时间def hillclimb(domain,costf):  # Create a random solution  sol=[random.randint(domain[i][0],domain[i][1])      for i in range(len(domain))]  # Main loop  while 1:    # Create list of neighboring solutions    neighbors=[]    for j in range(len(domain)):      # One away in each direction      if sol[j]>domain[j][0]:        neighbors.append(sol[0:j]+[sol[j]+1]+sol[j+1:])      if sol[j]

模拟退火：

（开始阶段可以接受较差的解，随着温度减少，只会接受更好的解）

#模拟退火算法，爬山法可能只是局部最优解，退火会接受较差的解，但是差异越大，概率越低，最后抛弃**

#模拟退火算法，爬山法可能只是局部最优解，退火会接受较差的解，但是差异越大，概率越低，最后抛弃def annealingoptimize(domain,costf,T=10000.0,cool=0.95,step=1):  # Initialize the values randomly  vec=[float(random.randint(domain[i][0],domain[i][1]))       for i in range(len(domain))]  while T>0.1:    # Choose one of the indices    i=random.randint(0,len(domain)-1)    # Choose a direction to change it    dir=random.randint(-step,step)    # Create a new list with one of the values changed    vecb=vec[:]    vecb[i]+=dir    if vecb[i]
   
    domain[i][1]: vecb[i]=domain[i][1]    # Calculate the current cost and the new cost    ea=costf(vec)    eb=costf(vecb)    p=pow(math.e,(-eb-ea)/T)    # Is it better, or does it make the probability    # cutoff?    if (eb
   

遗传算法：

先随机生成一组解，称为种群。计算整个种群的成本函数。创建新种群：1精英选拔最好的解；2修改题解（变异：微小变化）（交叉配对：题解组合）

#遗传算法def geneoptimize(domain,costf,popsize=50,step=1,mutprob=0.2,elite=0.2,maxiter=100):#maxiter代数，mutprob变异的概率，elite遗传概率  # Mutation Operation  def mutate(vec):    i=random.randint(0,len(domain)-1)    if random.random()<0.5 and vec[i]>domain[i][0]:      return vec[0:i]+[vec[i]-step]+vec[i+1:]    elif vec[i]

转载地址：http://rlhdi.baihongyu.com/