@font-face{ font-family:"Times New Roman"; } @font-face{ font-family:"宋体"; } @font-face{ font-family:"Calibri"; } p.MsoNormal{ mso-style-name:正文; mso-style-parent:""; margin:0pt; margin-bottom:.0001pt; mso-pagination:none; text-align:justify; text-justify:inter-ideograph; font-family:Calibri; mso-fareast-font-family:宋体; mso-bidi-font-family:'Times New Roman'; font-size:10.5000pt; mso-font-kerning:1.0000pt; } p.p{ mso-style-name:"普通\(网站\)"; margin-top:5.0000pt; margin-right:0.0000pt; margin-bottom:5.0000pt; margin-left:0.0000pt; mso-margin-top-alt:auto; mso-margin-bottom-alt:auto; mso-pagination:none; text-align:left; font-family:Calibri; mso-fareast-font-family:宋体; mso-bidi-font-family:'Times New Roman'; font-size:12.0000pt; } span.msoIns{ mso-style-type:export-only; mso-style-name:""; text-decoration:underline; text-underline:single; color:blue; } span.msoDel{ mso-style-type:export-only; mso-style-name:""; text-decoration:line-through; color:red; } @page{mso-page-border-surround-header:no; mso-page-border-surround-footer:no;}@page Section0{ } div.Section0{page:Section0;}
退火算法就是钢铁在淬炼过程中失温而成稳定态时的过程，热力学上温度（内能）越高原子态越不稳定。这篇文章主要介绍了Python退火算法在高次方程的应用,需要的朋友可以参考下
文章目录
一，简介
二，计算方程
三，总结
一，简介
退火算法不言而喻，就是钢铁在淬炼过程中失温而成稳定态时的过程，热力学上温度（内能）越高原子态越不稳定，而温度有一个向低温区辐射降温的物理过程，当物质内能不再降低时候该物质原子态逐渐成为稳定有序态，这对我们从随机复杂问题中找出最优解有一定借鉴意义，将这个过程化为算法，具体参见其他资料。
二，计算方程
我们所要计算的方程是f(x) = (x - 2) * (x + 3) * (x + 8) * (x - 9),是一个一元四次方程，我们称为高次方程，当然这个函数的开口是向上的，那么在一个无限长的区间内我们可能找不出最大值点，因此我们尝试在较短区间内解最小值点，我们成为最优解。
解法一：毫无疑问，数学方法多次求导基本可以解出，但是这个过程较复杂，还容易算错，我就不赘述了，读者有时间自己可以尝试解一下。
解法二：这个解法就是暴力解决了，我们这里只求解区间[-10,10]上的最优解，直接随机200个点，再除以10（这样可以得到非整数横坐标），再依此计算其纵坐标f（x），min{f(x)}一下，用list的index方法找出最小值对应位置就行了，然后画出图形大致瞄一瞄。
直接贴代码：
import random
import matplotlib.pyplot as plt
list_x = []
# for i in range(1):
# #print(random.randint(0,100))
# for i in range(0,100):
# print("sss",i)
# list_x.append(random.randint(0,100))
for i in range(-100,100):
list_x.append(i/10)
print("横坐标为：",list_x)
print(len(list_x))
list_y = []
for x in list_x:
# print(x)
#y = x*x*x - 60*x*x -4*x +6
y = (x - 2) * (x + 3) * (x + 8) * (x - 9)
list_y.append(y)
print("纵坐标为：",list_y)
经验证，这里算出来的结果6.5和最优解1549都是对的
print("最小值为：",min(list_y))
num = min(list_y)
print("最优解：",list_y.index(num)/10)
plt.legend(Swift Codehttps://www.gendan5.com/swift...
print("第",list_y.index(num)/10-10,"个位置取得最小值")
plt.plot(list_x, list_y, label='NM')
plt.plot(x2, y2, label='Second Line')
plt.xlabel('X') #横坐标标题
plt.ylabel('Y') #纵坐标标题
plt.title('Interesting Graph\nCheck it out',loc="right") #图像标题
plt.title('Interesting Graph\nCheck it out')
plt.legend() #显示Fisrt Line和Second Line（label）的设置
plt.savefig('C:/Users/zhengyong/Desktop/1.png')
plt.show()
得到如下结果：
那么我们得出最优解的坐标是（6.5，-1549.6875）