模拟退火，归一化温度
Simulated annealing, normalized temperature
我有一个问题，我需要最大化给定函数的值 X:
这是公式的 python 代码：2 ** (-2 *((((x-0.1) / 0.9)) ** 2)) * ((math.sin(5*math.pi*x)) ** 6)。
我正在对这项工作使用模拟退火算法，但我遇到了问题。
probability = pow(math.e, (actual_cost - best_cost) / temperature)
我的“成本”（我正在尝试优化的）是一个非常短的数字，通常在 0 到 0.1 之间，但我的另一侧温度大约为 100。
所以，当我应用概率函数时，我的结果总是大约 99%，这使得我的算法在所有迭代中都接受负值，而不是在整个迭代中降低这个概率。
如何调整我的温度值以通过迭代改变概率？
可以在 scipy.optimize.basinhopping 的文档中找到此问题的解决方案：
Choosing T: The parameter T is the “temperature” used in the
Metropolis criterion. Basinhopping steps are always accepted if
func(xnew) < func(xold). Otherwise, they are accepted with
probability:
exp( -(func(xnew) - func(xold)) / T )
So, for best results, T should to be comparable to the typical
difference (in function values) between local minima. (The height of
“walls” between local minima is irrelevant.)
If T is 0, the algorithm becomes Monotonic Basin-Hopping, in which all
steps that increase energy are rejected.
我有一个问题，我需要最大化给定函数的值 X:
这是公式的 python 代码：2 ** (-2 *((((x-0.1) / 0.9)) ** 2)) * ((math.sin(5*math.pi*x)) ** 6)。
我正在对这项工作使用模拟退火算法，但我遇到了问题。
probability = pow(math.e, (actual_cost - best_cost) / temperature)
我的“成本”（我正在尝试优化的）是一个非常短的数字，通常在 0 到 0.1 之间，但我的另一侧温度大约为 100。
所以，当我应用概率函数时，我的结果总是大约 99%，这使得我的算法在所有迭代中都接受负值，而不是在整个迭代中降低这个概率。
如何调整我的温度值以通过迭代改变概率？
可以在 scipy.optimize.basinhopping 的文档中找到此问题的解决方案：
Choosing
T: The parameterTis the “temperature” used in the Metropolis criterion. Basinhopping steps are always accepted iffunc(xnew) < func(xold). Otherwise, they are accepted with probability:
exp( -(func(xnew) - func(xold)) / T )So, for best results,
Tshould to be comparable to the typical difference (in function values) between local minima. (The height of “walls” between local minima is irrelevant.)If
Tis 0, the algorithm becomes Monotonic Basin-Hopping, in which all steps that increase energy are rejected.