shenjingwangluo.rar_matlab 人工智能

Lk=10000; %设置markov链长 t0=1000; % 设置初始温度 tf=0.01; %终止温度 a=0.95; %指数降温系数 k=1; %迭代次数，初始值设置为1 x1=[0 0]; %二维函数初始解 while t0>0.00001 %当温度大于终止温度时，循环继续 for m=1:Lk f(1)=fun(x1); %调用函数fun计算初始解x1对应的目标函数值 x2(1)=x1(1)+0.01*(rand-0.5); %产生新解 x2(2)=x1(2)+0.01*(rand-0.5); x2=[x2(1) x2(2)]; f(2)=fun(x2); %调用函数fun计算新解 x2对应的目标函数值 if f(2)-f(1)<0 %若新解对应的目标函数值小于初始解则保留新解坐标，并将其值存储在解x1中 x1=x2; elseif exp((f(1)-f(2))/t0)>rand x1=x2; end temp(m,1)=x1(1); %记录本次比较中较优解对应的序号位置t temp(m,2)=x1(2); temp(m,3)=f(1); end [fmin,i]=min(temp(:,3)); %记录同一温度T下、Lk次比较中最优解的值fmin以及最优解对应的序号位置i x1(1)=temp(i,1); %将同一温度T下、Lk次比较中最优解的坐标存储至x1中 x1(2)=temp(i,2); ret1(k)=x1(1); %记录第N次迭代时的最优解坐标 ret2(k)=x1(2); se(k)=fmin; %记录第N次迭代时的最优解值 k=k+1; %迭代次数加1 t0=t0*a; %指数降温 end [fmin,I]=min(se); %记录N次迭代中的全局最优解以及最优解对应的迭代步数 I %达到最优解的代数 x(1)=ret1(I); x(2)=ret2(I); x(1) x(2) fmin %最优解 tt=1:k-1; plot(tt,se); %绘制寻优过程曲线 title('模拟退火算法求解二维Rosenbrock函数最优值'); xlabel('迭代次数'); ylabel('各代历史最优解');