基于Python的求解多极小函数路径优化算法实现 课程论文+源码

---

目录1求解多极小函数 21.1SA 算法 21.1.1算法流程 21.1.220 次随机实验的统计结果 31.1.3目标函数的变化曲线 31.2GA 算法 61.2.1编码 61.2.2算法流程 61.2.3算法参数 71.2.420 次随机实验的统计结果 71.2.5目标函数的变化曲线 72TSP 问题 82.1SA 算法 82.1.1算法流程 82.1.220 次随机实验的统计结果 82.2GA 算法 132.2.1 编码 132.2.2算法流程 132.2.3算法参数 132.2.420 次随机实验的统计结果 132.2.5一次实验结果 133算法特点 173.1 SA 173.2 GA 174TSP 可视化应用程序 175实验分工 181求解多极小函数求解多极值函数问题中，我们需要求出函数的最值，我们以函数 f (x0, x1) = −x1 ∗ sin(x0) −x0 ∗ cos(x1) 为例，求它在 x0, x1 ∈ [−10, 10] 区间内的最小值。使用 MATLAB 画出的函数图像如图1所示，其最小值可用 matlab 库函数求出，约为-17.394， 同时该函数有多个局部极小值。

算法流程与上文基本类似，不同之处在于：步骤 1 中，初始温度可以有两种生成方式：按照经验设定固定初温要更大，随机选择指定数量计算方差时指定的元素数目也大得多；初始解在离散的 TSP 问题中为旅行商所经城市的路线。步骤 4 为状态更新，在 TSP 问题中，可以通过进行两位置元素交换、两位置之间的元素逆序、把指定某一段序列插到第三个位置之后或者把上述操作按照概率混合的方法产生新的状态，  即新的旅行商路线。