随机突变爬山器和模拟退火 - 哪个最快？ [关闭]答案

【问题标题】：Random Mutation Hill Climber & Simulated Annealing - Which is Fastest? [closed]随机突变爬山器和模拟退火 - 哪个最快？ [关闭]
【发布时间】：2012-03-26 20:44:34
【问题描述】：

我在一个项目中使用了随机变异爬山算法，但想知道是否最好使用模拟退火来最大程度地减少陷入任何局部最优的机会。

我的问题是，根据您的经验，哪一个通常更快？显然，这两种算法都有大量的应用。如果您愿意，这更像是一种广义的思考。

谢谢。

【问题讨论】：

这可能取决于您所攀登的山丘的问题和拓扑。
你的问题很开放。您能否限制领域或给出更具体的要求以减少您的问题的讨论？
我正在搜索一张图片 (~424 x ~424)，以便在图片中找到最佳椭圆。
请注意，您可以将模拟退火应用于许多随机突变过程。所需要的只是你可以通过一些“温度”参数来缩放突变的“大小”，随着时间的推移你会调低这些参数......
顺便说一句--如果您可以使问题更具体，那将非常适合 Scientific Computation beta site （希望您成为具有特定领域经验的重点受众的可能优势） .

标签： algorithm simulated-annealing hill-climbing

【解决方案1】：

无法提前知道（除非您的项目 100% 匹配一个经过充分研究的学术问题，例如纯 TSP - 即便如此......）。这取决于您项目的约束和项目的大小（以及您是否正确实施算法）。

因此，可以肯定的是，您必须同时实现算法（以及许多其他算法，例如禁忌搜索，...）和 use a Benchmarker like this one 来比较它们。

话虽如此，我会在任何一天都将钱用于模拟退火而不是随机突变爬山 :)

注意：模拟退火是一个简短但困难的算法：我只在我的第三个实现中得到了它，我在博客等中看到了很多错误的实现（仍然输出一个非常好的解决方案）。它更容易只是到reuse optimization algorithms。

【讨论】：

谢谢 - 大约一年前，我将 SA 与其他三种算法一起用于 TSP，SA 产生了明显更好的结果。 SA很难，是的；但是，一旦正确，它就会非常出色！