使用 Android 应用程序使用模拟退火的最短路径
Shortest path using Simulated Annealing using an Android app
我正在使用不同的地理坐标实现一个 android 应用程序，我需要解决类似于旅行推销员的问题。
我在 http://www.theprojectspot.com/tutorial-post/simulated-annealing-algorithm-for-beginners/6 找到了该算法的实现。
我根据需要调整了代码，它产生了理论上最优的结果。但是，我注意到每次执行都会产生不同类型的结果。
我回到原来的代码，发现即使是原来的，结果也有分歧。
不明白。结果不应该是唯一的吗？毕竟，我们正在寻找最小的路径......也许是一些小的变化，但每次执行都与前一次执行相差几个单位。
如何调整算法以在所有运行中产生相同的结果？有人用过这个吗？
这就是您为这种算法付出的代价：每次获得的结果很可能都不同。算法 不会 "find the shortest path," 这是一个计算上棘手的问题 ("travelling salesman")。相反，它试图 快速 找到一个解决方案 "short enough." 它是否真的这样做在很大程度上取决于数据......而且，在一个重要的程度上, 随机。
而且，由于算法 相对较快，有时您会连续 运行 多次执行该算法，以衡量所获得解决方案的可变性。如果（比方说）三个 运行 各自产生彼此 "close enough" 的结果，那么结果很可能是可靠的。但如果标准差很大，算法可能不会给你一个好的答案。 （请记住，有时解决方案会 错误。）
可以这么说："you get what you pay for, but you don't pay much for it, and of course that is the point."
我正在使用不同的地理坐标实现一个 android 应用程序，我需要解决类似于旅行推销员的问题。
我在 http://www.theprojectspot.com/tutorial-post/simulated-annealing-algorithm-for-beginners/6 找到了该算法的实现。
我根据需要调整了代码，它产生了理论上最优的结果。但是，我注意到每次执行都会产生不同类型的结果。
我回到原来的代码，发现即使是原来的，结果也有分歧。
不明白。结果不应该是唯一的吗？毕竟，我们正在寻找最小的路径......也许是一些小的变化，但每次执行都与前一次执行相差几个单位。
如何调整算法以在所有运行中产生相同的结果？有人用过这个吗？
这就是您为这种算法付出的代价：每次获得的结果很可能都不同。算法 不会 "find the shortest path," 这是一个计算上棘手的问题 ("travelling salesman")。相反，它试图 快速 找到一个解决方案 "short enough." 它是否真的这样做在很大程度上取决于数据......而且，在一个重要的程度上, 随机。
而且，由于算法 相对较快，有时您会连续 运行 多次执行该算法，以衡量所获得解决方案的可变性。如果（比方说）三个 运行 各自产生彼此 "close enough" 的结果，那么结果很可能是可靠的。但如果标准差很大，算法可能不会给你一个好的答案。 （请记住，有时解决方案会 错误。）
可以这么说："you get what you pay for, but you don't pay much for it, and of course that is the point."