异同点 模拟退火 遗传算法 邻域搜索_遗传算法与模拟退火算法比较

一、遗传算法与模拟退火算法比较

分析模拟退火算法的基本原理可以看出，模拟退火算法是

通过温度的不断下降渐进产生出最优解的过程，

是一个列马尔科

夫链序列，在一定温度下不断重复

Metropolis

过程，目标函数值

满足

Boltzmann

概率分布。在温度下降足够慢的条件下，

Boltzmann

分布收敛于全局最小状态的均匀分布，从而保证模拟

退火算法以概率为

1

收敛到全局最优。另外，不难看出，模拟退

火算法还存在计算结构简单、

通用性好以及鲁棒性强等优点。

但

是，模拟退火算法存在如下缺陷：

1.

尽管温度参数下降缓慢时理论上可以保证算法以概率为

1

地收敛到最优值，但是需要的时间过长加之误差积累与时间长

度的限制，难以保证计算结果为最优；

2.

如果降温过程加快，很可能得不到全局最优解，因此，温

度的控制是一个需要解决的问题；

3.

在每一种温度下什么时候系统达到平衡状态，即需要多少

次

Metropolis

过程不易把握，

从而影响模拟退火算法的最终结果。

与模拟退火算法相比较，遗传算法具有如下典型特征：

这两种算法的相同点是都采用进化控制优化的过程。

主要不

同点是模拟退火是采用单个个体进行进化，

遗传算法是采用种群

进行进化。

模拟退火一般新解优于当前解才接受新解，

并且还需

要通过温度参数进行选择，

并通过变异操作产生新个体。

而遗传

算法新解是通过选择操作进行选择个体，

并通过交叉和变异产生

新个体。具体说来，遗传算法具有如下特点：

(

1

)

与自然界相似，

遗传算法对求解问题的本身一无所知，

对搜索空间没有任何要求(如函数可导、光滑性、连通性等)，

只以决策编码变量作为运算对象并对算法所产生的染色体进行

评价，

可用于求解无数值概念或很难有数值概念的优化问题，

应

用范围广泛；

(

2

)

搜索过程不直接作用到变量上，

直接对参数集进行编

码操作，

操作对象可以是集合、

序列、

矩阵、

树、

图、

链和表等；

(

3

)搜索过程是一组解迭代到另一组解，采用同时处理群

体中多个个体的方法，因此，算法具有并行特性；