模拟退火 学习笔记
Visits: 491
又是个之前学过现在忘光了的算法。。。
简介
模拟退火是一种随机化算法，在优化型题目（选手得分依赖于其输出结果与最优解的比较）中非常有用，而这类题目通常为提交答案题。
使用条件
- 方案的数量极大甚至无穷大，无法方便地得到最优解。
- 方案的优劣程度并不是一个单峰函数，如果是单峰函数那么显然有更简单的方法。
- 两个方案的优劣程度与两个方案的相似程度有关，换句话说，我们有可能从一个较优解推出另一个较优解。
大致流程
- 首先随机出一个解。
- 然后不断根据当前最优解生成一个相似的新解。
- 如果新解比当前最优解更优，则用新解替换当前最优解；否则，以一定概率替换当前最优解。
- 最后取所有随机到的解中最优的为答案。
流程细节
大致流程中，当根据当前最优解生成的新解比当前最优解劣时，以一定概率替换当前最优解，这里的概率如何计算呢？
考虑物理中的退火过程，退火即降温。起初温度很高，然后不断进行降温，在温度越高时概率越大，越低时概率越小。
同时，这个概率显然也要跟新旧解之间优劣程度的差相关，差越大概率越小，差越小概率越大。
实现
定义当前温度为 $T$，新解与当前最优解之间优劣程度之差为 $E(\le 0)$，则用新解替换当前最优解的概率为：
$$
e^{\frac{E}{T}}
$$
这个概率符合上面我们的两个要求，判断时将其与一个 $[0,1]$ 内随机的数比较，如果这个概率更大，则替换，否则不替换。
如何进行降温呢？
首先要设三个正实参数：初始温度 $T_0$，降温系数 $delta$，终止温度 $T_k$。其中 $T_0$ 较大，$delta < 1$ 但是很接近 $1$，$T_k > 0$ 但很接近 $0$。
一开始 $T \leftarrow T_0$，随后每次生成新解后 $T \leftarrow delta \cdot T$，当 $T < T_k$ 时结束。
另外，根据当前最优解生成新解时，也可以将 $T$ 纳入参考中，即 $T$ 越小生成的新解越相似。
优化
首先可以想到的是，多次进行模拟退火取最优解。
显然模拟退火的次数越多，消耗的时间越长，得到的答案越优。
在提交答案题中，我们可以跑一整场比赛都不要紧。
但是在传统题中，时间限制的存在让我们无法这么做，于是我们要尽可能的利用更多的时间去计算，同时不能超时。
考虑卡时，即最大化程序运行时间。clock() 函数返回程序运行时间，因此我们可以通过 while (1.0 * clock() / CLOCKS_PER_SEC < time_limit - eps) 进行卡时。
参考资料
- OI Wiki 模拟退火
