我希望实现一些功能的simulated annealing和randomized hill climbing。我一直在使用scikit来实现所有ML算法/方法。我在scikit中找不到这个。
你能推荐一些我可以用来测试simulated annealing / randomized hill climbing的python库吗?我找不到这个,所以想请教你们。
我对模拟退火( SA )做了一些广泛的研究。即便如此,我也很难理解如何找到输入参数。
在我所有的研究中,你似乎只是从黑暗中开始,然后从那里开始调整。这似乎效率极低,不太可能产生高质量的结果。
如何在使用Encog的SA训练算法中找到要使用的参数(例如:启动温度、停止温度、循环),以便产生高效和高质量的结果?
我有一个600 x 500布尔型数组data,其中的单元表示覆盖欧洲大部分地区的地理0.1' x 0.1'网格单元。TRUE细胞是那些网格细胞(根据我的天气模拟),在这些网格细胞中,某种化学物质从固定点释放几天后应该可以被检测到。我的目标是找到一个锥体,由两个方位角和一个距离定义,从释放点开始,最适合这个可检测区域。
为此,我创建了600 x 500数组bearing_array和distance_array,其中每个单元格的值表示从释放位置到该网格单元格的方向角和距离,以及函数:
#Return Boolean array of cells which belong to c
我想在不同的情况下使用模拟退火。网络中的每种模拟退火算法都给出了算法的温度实例。就像在wiki中一样
s ← s0; e ← E(s) // Initial state, energy.
sbest ← s; ebest ← e // Initial "best" solution
k ← 0 // Energy evaluation count.
while k &l
objective: max sum(solution(i,9))
---------------------------------------------
while T>Tmin
for iteration=100
for i=1:61
function(generate_possible_solutions)
random_value = generate random value
solution(i) = generate_possible_solution(random_value, :)
feasib