模拟退火
这里只做快速了解，用来解决常见问题。
简单了解一下模拟退火：
模拟退火是模拟物理上退火方法，通过N次迭代（退火），逼近函数的上的一个最值（最大或者最小值）。
模拟退火可行性：
我们想象一个固体放在那里，如果该固体温度此时很高，运用我们高中的知识，此时该物体的内能较大，因为其内部无规则运动的粒子动能较大，分子热运动较快。 此时看作一个十分无序的状态，当其慢慢降温，随着温度降低到正常室温，其内部的粒子慢慢‘有序’ ，此时较为稳定。
注意文字中的内容：
温度高--运动速度快，温度低--运动速度慢。
温度缓慢降低。
温度恢复到正常室温后趋于有序(接近最优解)。
因此，模拟退火的大方向为：
模拟退火就是一种循环算法。
我们先设定一个初始的温度T（这个温度要比较高，比如2000）
每次循环都退火一次。（具体怎么操作后面详解）
然后降低T的温度，我们通过让T和一个“降温系数”ΔT（一个接近1的小数，比如0.990.99)相乘，达到慢慢降低温度的效果，直到接近于0（我们用eps来代表一个接近0的数(比如0.00001)，只要T<eps就可以退出循环了）
简易代码如下：
T = 2000 # 代表开始的温度 dT = 0.99 # 代表系数delta T eps = 1e-14 # 相当于0.0000000000000001 while T > eps: ''' 这里是每一次退火的操作 ''' T = T * dT # 温度每次下降一点点， T * 0.99
以下面函数为例：
如 
我们要求解的答案无非是两个：自变量xx和对应函数的最大值f(x)
1. 随机找一点x0(定义域内随机)，并获取了该点对应的f(x0).
2.开始退火
像前面所讲x0相当于一个粒子，所以我们会进行一个无序运动，也就是向左或者向右随机移动。
但是请记住一个关键点：移动的幅度和当前的温度T有关。
温度T越大，移动的幅度越大。温度T越小，移动的幅度就越小。这是在模拟粒子无序运动的状态。
3. 接受更好的状态
上图中我们移动到了x2处，明显f(x2)优于f(x0)。
因此我们将答案进行更新: x0=x2,f(x0)=f(x2), 这也是一种贪心的思想。
4. 以一定概率接受更差的状态
这也是退火最精彩的部分。
为什么我们要接受一个更加差的状态呢？因为可能在一个较差的状态旁边会出现一个更加高的山峰。
如果我们一开始只注重了x0最开始随机的那一点区域(图像左侧)，随着温度的下降、左右跳转幅度的减小，我们终将受困于此，仅得到局部最优的答案。
而我们如果找到了右边山峰的低点，以一定的概率接受了它（概率大小和温度以及当前的值的关键程度有关），会在跳转幅度减少之前，尽可能找到最优点。
那么我们以多少的概率去接受它呢？我们用一个公式表示（这个公式我们只需记住，这是科学家推导而来）：
分别讲解下各部分含义：
：因为我们用函数
来代表一个概率值，所以我们只需要关注x为负数的部分即可：
负数部分的值域是在(0,1)开区间内，x越小，越接近0，越大越靠近1。
因为在0到1之间，所以这个值相当于是概率了。比如=0.97，那么我们接受的概率就是97%，
而正数部分的值域会大于1，也就是说概率会超过100%，所以一定会选（其实是上一种找到更优的情况）
k：其实是个物理学常数，我们在代码中不会用到。
T：很简单，就是当前的温度。所以实际上这个分母就是T，k当做1使用。
Δf：下面着重讲一下什么是Δf。
其实从前面的函数中可以发现，Δf必须是个负数。
Δf就是当前解的函数值与目标解函数值之差，Δf=−|f(x0)−f(x1)|，并且一定是个负数。
比如现在我们求一个函数的最大值，那么如果f(x0)<f(x1)了，那就说明结果变好了(具体问题具体分析)，我们肯定选择它（见第3点：接受更好的状态）。
如果f(x0)>f(x1)，那就说明结果变差了，我们需要概率选择它，因此Δf=−(f(x0)−f(x1))。
我们可以用 
与(0,1)之间生成的随机数做比较，大于则接受反之则不接受
ps: 不难看出温度越高时，接受的概率就越大。Δf越小，说明答案越糟糕(f(x1)与f(x2)相差很多，但也要概率接受)，那么接受的概率就越小。
所以总结一下就是：
随机后的函数值如果结果更好，我们一定选择它(即x0=x1,f(x0)=f(x1))
随机后的函数值如果结果更差，我们以
的概率接受它
例题1：通过模拟退火算出
的值
我们通过函数f(x)中x的跳动去寻找结果。不妨设：
import math import random # x表示我们随机产生的那个数的平方和n的靠近程度 def func(x, n): return abs(x * x - n) # 模拟退火 def SA(T, dT, eps, n): # 根号10大约为3.1622 这里人为限制范围 也可以直接随机 反正后面要受温度影响来回跳动且是随机的 x = random.uniform(1.6, 5.4) # 算出x平方和n的差距f(x0) f = func(x, n) while T > eps: # 根号下的数一定是非负的 所以可以直接随机非负数 new_x = random.randint(-13, 20) * T # 温度影响来回跳动且是随机无规则的 这里随意限制了下范围 new_f = func(new_x, n) if new_f < f: x = new_x # 替换 如果多个变量就替换多个 f = new_f elif math.exp((f - new_f) / T) > random.random(): # 概率接受 ex在(0,1)之间 实际上random.random()在[0,1) x = new_x f = new_f # 降温 T *= dT # 输出结果 近似值 如我本次是 3.1201885471764994 print(x) if __name__ == '__main__': n = 10 # n代表我们最后函数要逼近的值 T = 20000 # 初始温度，初始温度主要是看题目开始需要跳转的幅度。 dT = 0.993 # 变化率，这里需要速度稍微慢一点，写0.995 或者 0.997都可以，但是越靠近1速度就越慢 eps = 1e-14 # 10的-14次方已经非常小了，写这个大概率没问题 SA(T, dT, eps, n)
例题2：点距之和最小
给出平面上N（N<=100）个点，你需要找到一个这样的点，使得这个点到N个点的距离之和尽可能小。输出这个最小的距离和（四舍五入到最近的整数）。
Input输入
第一行N，接下来N行每行两个整数，表示N个点
4 0 0 0 10000 10000 10000 10000 0
Output输出
一行一个正整数，最小的距离和。
28284
们的函数func()就是：求出一个随机点A=(x0,y0)到NN个点的距离之和DD，就是把这个点A和所有N个点的距离相加，即：
n皇后问题
简单来说就是一个n*n的棋盘中，每一行只落一枚棋，且该棋所在的列、左斜线、右斜线均无其它棋子。
import copy import random import time import math import numpy as np def init(): cache = {} m = np.zeros((8, 8), dtype=int) for i in range(0, 8): temp = random.randrange(0, 8) m[temp, i] = 1 cache["queen" + str(i)] = [temp, i] return m, cache # 计算当前状态无碰撞数量 def compute_weight(coord_cache): weight = 0 for i in range(0, 8): x, y = coord_cache["queen" + str(i)] for j in range(i + 1, 8): x2, y2 = coord_cache["queen" + str(j)] if x2 - x == j - i or x2 - x == i - j: weight += 1 if x2 == x: weight += 1 return 28 - weight # 随机生成一个新的解 def random_adjust(coord_cache): temp = copy.deepcopy(coord_cache) row = random.randrange(0, 8) column = random.randrange(0, 8) temp["queen" + str(column)] = [row, column] # 调整皇后的位置 return temp def draw(coord_cache): m = np.zeros((8, 8), dtype=int) for i in range(8): row, column = coord_cache["queen" + str(i)] row, column = int(row), int(column) m[row][column] = 1 return m def cool(T, eps, dt, L): m, coord_cache = init() print("初始化八皇后状态为：\n", m) while T > eps: # 温度循环 for i in range(L): # 每个温度循环L次 weight = compute_weight(coord_cache) print("当前状态的无碰撞度为：", weight) if weight == 28: # 非碰撞度为28，表明找到了最优解 return True new_coord_cache = random_adjust(coord_cache) # 随机调整得到一个新的解 new_weight = compute_weight(new_coord_cache) # 计算新解的碰撞度 print("随机调整产生的新解为：\n", draw(new_coord_cache)) print("随机调整产生的新解的无碰撞度为：", new_weight) if new_weight >= weight: # 新的解碰撞度更小就就收这个解 coord_cache = new_coord_cache print("这是一个更好的解，直接接收：\n", draw(coord_cache)) else: if random.random() < math.exp((new_weight - weight) / T): # 否则就已模拟退火的概率接受作为新的解 coord_cache = new_coord_cache print("当前的接收概率为：", math.exp((new_weight - weight) / T)) print("这是一个更差的解，但被接收了：\n", draw(coord_cache)) T = T * dt def Cool(T, eps, dt, L, num): t1 = time.time() success = 0 fail = 0 for i in range(num): if cool(T, eps, dt, L): success += 1 print("第{0}个例子找到最优解".format(i)) else: fail += 1 print("第{0}个例子失败".format(i)) t2 = time.time() print("{}个例子中成功解决的例子为：{}".format(num, success)) print("{}个例子成功解决的百分比为：{}".format(num, success / num)) print("{}个例子中失败的例子为：{}".format(num, fail)) print("{}个例子失败的百分比为：{}".format(num, fail / num)) print("{}个例子运行算法所需的时间为：{}秒".format(num, t2 - t1)) Cool(5, 0.001, 0.98, 150, 1000)
n皇后其它解法：
位运算(这里只输出一种可行解)：
def draw(n, ini): for i in ini: print('+---' * n + '+', end='') print('') print('| ' + ' | '.join(['#' if j == '0' else 'Q' for j in list(i[2:].rjust(n, '0'))]) + ' | ') print('+---' * n + '+', end='') def DFS(row, colomn, left, right): global ini global result global flage bits = ((1 << n) - 1) & ~(colomn | left | right) # 当前行可用列 if bits == 0 and len(ini) != 0: ini.pop() while bits: pos = bits & -bits # 获取该行列的位置 bits = bits & (bits - 1) # bits ^= pos if row == n - 1: result += 1 if flage: ini.append(bin(pos)) draw(n,ini) flage-=1 else: if flage: ini.append(bin(pos)) DFS(row + 1, colomn | pos, (left | pos) >> 1, (right | pos) << 1) if bits == 0 and len(ini) != 0: ini.pop() n = 6 result = 0 flage = 1 # 用来保留单一解 ini = [] DFS(0, 0, 0, 0) print('\n','{}种情况'.format(result))
另一种数学思想：
# 判断点[row, col]是否可以放置皇后 def check(matrix, row, col): for i in range(row): if abs(matrix[i] - col) == 0 or abs(matrix[i] - col) == abs(row - i): return False return True def queen(matrix, row): global result n = len(matrix) if row == n: for col in matrix: print(' # ' * col + ' Q ' + ' # ' * (n - (col + 1))) print('') result += 1 for col in range(n): if check(matrix, row, col): matrix[row] = col queen(matrix, row + 1) n = 10 result = 0 matrix = [0] * n queen(matrix, 0) print('共有{}种结果'.format(result))
