简介这套 MATLAB 模拟退火工具箱面向需要求解组合优化问题的学生、科研人员与工程开发者提供从算法实现到参数调试的完整参考。资源包共 82 个文件以 71 个 .m 函数脚本为核心辅以 10 个 txt 配置与模板说明、1 份 PDF 手册压缩包约 211KB目录组织便于按功能查阅。已有 1317 人学习说明其在教学与工程实践中具有一定参考价值。内容覆盖初始解生成、能量函数计算、接受概率判断、线性与指数等降温策略并包含结果可视化、参数调优及多种测试脚本可帮助读者理解模拟退火避免局部最优的机制。随附 PDF 对函数用法、参数设置和示例作系统说明源码也可直接用于旅行商、车辆路径、作业调度等问题的二次开发、实验复现与结果对比适合课程设计、算法实验与科研原型验证。1. 模拟退火工具箱到手先弄清它替你承担了哪些工作搜索 “MATLAB 模拟退火” 时排在前面的常是一个含 PDF 说明的工具箱压缩包几个 .m 文件加一份文档主循环、邻域生成、示例目标函数和演示脚本都在里面。它解决的是很具体的一类问题——目标函数没有解析梯度、存在多个局部极小、变量维度从几个到几十个、还带上下界或简单约束。fmincon 这类方法在非凸问题上经常停在初始点附近遗传算法又要调一堆算子而 SA 的参数少、流程透明是黑箱优化的第一选择。适合已经会用 MATLAB 写函数、但没系统调过启发式算法的人有一点启发式经验的人也能拿它当骨架改成自己的版本。下面按机制、跑通、调参、避坑的顺序逐步拆解。2. 模拟退火凭什么能跳出局部最优Metropolis 准则与四要素2.1 梯度类方法卡住的地方正是 SA 的战场工程里的目标函数大多不是教科书里的光滑凸函数。一次评估可能来自一段 Simulink 仿真、一次有限元求解或一个查表插值耗时几十毫秒到几十秒返回值还带数值噪声。这种函数用 fmincon 会两头受气解析梯度拿不到差分近似又会被噪声淹没用 fminsearch 的单纯形法初值稍微偏一点就贴在一个局部极小上不动了。SA 的思路完全不同。它不关心函数长什么样只做一件事比较两个解的函数值谁大谁小再按一个与温度有关的概率决定要不要“往上坡走”。这个“允许变差”的机制是它跳出土坑的全部本钱。代价是收敛慢、结果带随机性所以它从来不是“一次跑出精确最优解”的算法而是“在有限计算预算内给出一个足够好的可行解”的算法。搞清这个定位后面调参才不会跑偏。2.2 Metropolis 准则以多大概率接受一个更差的解设当前解为 x候选解为 xn两者目标值之差 df f(xn) − f(x)。准则只有两条df 0新解更好直接接受df ≥ 0新解更差以概率 exp(−df / T) 接受T 是当前温度。T 很大时 exp(−df/T) 接近 1几乎什么烂解都收T 趋近 0 时这个概率趋近 0算法退化成贪心的爬山法。整个退火过程就是让 T 从“几乎乱走”缓慢过渡到“只走下降方向”。理论上对数降温表 T_k T0 / log(1k) 能保证以概率 1 收敛到全局最优但那个速度在工程上没法用实际一律采用几何降温 T_{k1} α·T_kα 取 0.9 到 0.99 之间。实现上有个细节要处理df 很大而 T 很小时exp(−df/T) 会下溢成 0MATLAB 不报错但会丢掉本应存在的极小接受概率。稳妥写法是先用 df/T 做一次判断或者在分母上加 eps 保护这一点在后面的代码里会体现。2.3 降温表与四个必须自己定的参数工具箱的 PDF 说明里一般会把参数列成一张表但光看表不知道该怎么填。按对结果的影响从大到小排是这四个参数含义常用取值调大的后果T0初温由邻域采样估计常见 0.1~10前期乱走浪费时间α降温系数0.90~0.99降温慢跳出能力强但算得久L每个温度下的采样次数Markov 链长20~200每个温度探索更充分计算量线性上升maxIter外循环次数100~1000末温更低末段更贪心还有一个没写在表里但同样关键的邻域生成方式。步长太大候选解全被边界裁掉等于没搜索步长太小df 长期接近 0接受率虚高算法在原地打转。常见做法是让步长随温度线性缩放——温度高时大步走温度低时只做微调这样一条公式就同时管住了探索和开发两个阶段。2.4 工具箱目录里都有什么先看哪几个文件解压后通常能看到下面这几类文件名字各家不同但职能基本固定文件类型作用要不要改主循环文件如 sa_main.m实现降温、接受准则、精英保留建议通读按需改造邻域生成函数由当前解产生候选解换问题必改示例目标函数多峰测试函数用来验证工具箱能否工作不改先跑通demo 脚本拼好参数直接调用主循环并画图改成自己的入口PDF 说明算法伪代码、参数含义、调用格式当参考不当准绳PDF 那部分是很多人忽略的资源。它通常给出伪代码和参数建议区间对理解作者的设计意图很有帮助但要注意文档里的默认值和 .m 文件里的默认值经常对不上——作者改代码时忘了同步文档是常见现象。真正可信的基准只有代码本身文档用来建立概念框架就够了。3. 跑通第一个算例目标函数、调用入口与结果读取3.1 目标函数写成什么形状最省事不管工具箱自带的接口长什么样自己写目标函数时守住三条输入统一当成 1×n 行向量、输出必须是标量、不要在里面用全局变量传参。MATLAB 的匿名函数和嵌套函数都能传额外参数比全局变量干净得多。function y objfun(x) % 二维多峰测试函数用来检验 SA 能否跳出局部极小 % 输入 x1×2 行向量 % 输出 y标量全局最优在原点附近值为 0 r2 x(1)^2 x(2)^2; y 0.5 (sin(sqrt(r2))^2 - 0.5) / (1 0.001 * r2)^2; end这个函数在半径约 1.4 的圆环上有一圈局部极小原点附近才是全局最优梯度方法从远处出发很容易被环上的坑吸住正好用来检验退火是否有效。写自己的目标函数时建议先在网格上扫一遍确认最小值的大致位置和量级后面 SA 跑出来的结果才有对照基准。这个基线步骤后面第 6 章还会用到。如果目标函数来自仿真、单次评估很贵可以在函数内部加一个 persistent 变量做简单缓存键用四舍五入后的解向量。SA 本身不保证不重复评估同一个点尤其步长很小时缓存能省下可观的时间。3.2 主循环骨架一个能直接抄的 sa_solve.m工具箱里的主循环可能被拆成好几个文件为了讲清楚逻辑下面给一份能独立运行的骨架接口和常见工具箱保持兼容替换掉原文件也能跑。function [xbest, fbest, trace, acceptRate] sa_solve(fun, x0, lb, ub, opt) % SA_SOLVE 模拟退火主循环几何降温 边界裁剪 精英保留 % fun 目标函数句柄输入 1×n 行向量输出标量 % x0 初始解1×n % lb, ub 下界/上界1×n % opt 参数结构体字段见 3.3 % xbest 历史最优解 % fbest 历史最优目标值 % trace maxIter×1每次外循环结束时的历史最优值 % acceptRate maxIter×1每个温度下的接受率用来判断初温是否合理 rng(opt.seed); % 固定种子结果可复现 xcur x0(:); % 一律转成行向量 n numel(xcur); lb lb(:); ub ub(:); xbest xcur; fbest fun(xcur); fcur fbest; T opt.T0; trace zeros(opt.maxIter, 1); acceptRate zeros(opt.maxIter, 1); for k 1:opt.maxIter nAccept 0; for m 1:opt.L % 邻域步长随温度线性缩放高温大步探索低温小步精修 step (ub - lb) .* (rand(1, n) - 0.5) ... .* (T / opt.T0) * opt.stepScale; xn xcur step; xn min(max(xn, lb), ub); % 简单裁剪复杂问题改反射 fn fun(xn); df fn - fcur; % Metropolis 准则分母加 eps 防止 T 趋 0 时除零 if df 0 || rand() exp(-df / max(T, eps)) xcur xn; fcur fn; nAccept nAccept 1; if fn fbest % 精英保留最优解只升不降 xbest xn; fbest fn; end end end acceptRate(k) nAccept / opt.L; trace(k) fbest; T T * opt.alpha; % 几何降温 end end几点说明。step那一行是邻域设计的核心(ub-lb).*(rand-0.5)给出一个覆盖整个搜索空间的均匀扰动再乘T/T0把它按温度收缩最后乘stepScale做整体缩放。stepScale取 1 表示初始阶段扰动幅度约为搜索空间的一半实际调的时候这个值偏大0.2 到 0.5 更常见。精英保留那三行必须有否则算法可能在最后阶段丢掉已经找到的最好解。acceptRate是排查问题最有用的输出很多人跑完只看最优值其实接受率曲线能直接告诉你初温是高是低前几个温度接受率接近 1说明 T0 偏高一开始就低于 0.3说明 T0 偏低。这个指标后面第 4、5 章都会反复用到。3.3 参数结构体怎么填一份可用的默认值opt struct(); opt.T0 1.0; % 初温正式跑之前用 estimate_T0 估一下 opt.alpha 0.95; % 降温系数 opt.L 50; % 每个温度下的采样次数 opt.maxIter 300; % 外循环次数 opt.stepScale 0.3; % 邻域步长缩放占搜索空间的比例 opt.seed 2024; % 随机种子 [xb, fb, tr, ar] sa_solve(objfun, [3 3], [-5 -5], [5 5], opt);这套默认值对应的总评估次数约 300×50 15000 次二维问题上几秒就能跑完。维度升到 10 以上时同样的 L 每个温度下覆盖得远远不够需要按维度放大经验上 L 取 20 到 30 倍的维度比较稳妥。maxIter和alpha是耦合的300 次外循环配 0.95末温是 1×0.95^300 ≈ 2×10⁻⁷已经足够低如果alpha改成 0.99300 次只能降到 0.05 左右末段还在大幅接受劣解需要把maxIter加到 600 以上。3.4 收敛曲线怎么读什么时候该怀疑参数figure; subplot(2,1,1); plot(tr, LineWidth, 1.2); xlabel(外循环次数); ylabel(历史最优值); grid on; subplot(2,1,2); plot(ar, LineWidth, 1.2); xlabel(外循环次数); ylabel(接受率); ylim([0 1]); grid on;正常形态是上面那条曲线呈台阶状下降前期台阶多而陡后期台阶稀疏但仍有下降下面那条接受率从 0.7 到 0.9 平滑滑向 0.05 以下。出现下面三种情况就要怀疑参数曲线前 20% 就走平且此后一动不动多半是初温太低或步长太小接受率长期贴着 1说明降温根本没起作用检查alpha是不是被写成了 1接受率在 0.5 附近来回震荡而不下降检查T T * opt.alpha那一行是不是被放在了内层循环里。另一个容易被忽略的读法是看trace的下降发生在第几个温度。如果 90% 的改进都集中在第一个温度说明后续温度纯属浪费可以缩短maxIter、加大alpha如果到末温还在持续下降说明预算给少了得加maxIter。4. 参数调优初温、降温系数、链长的取值与相互牵制4.1 初温估计不要凭感觉填 100初温的作用是让算法在起步阶段有足够高的接受率去铺开搜索常见目标是初始接受率落在 0.7 到 0.9 之间。与其拍脑袋不如从初始点的邻域采样反解取若干候选解算它们的 df再让 exp(−median(df)/T0) p0解出 T0。function T0 estimate_T0(fun, x0, lb, ub, nSample, p0) % 由邻域采样的劣解增量估计初温 % nSample 采样个数默认 200 % p0 期望的初始接受率默认 0.8 if nargin 5, nSample 200; end if nargin 6, p0 0.8; end x0 x0(:); lb lb(:); ub ub(:); f0 fun(x0); d zeros(nSample, 1); for i 1:nSample xn x0 (ub - lb) .* (rand(size(x0)) - 0.5) * 0.1; xn min(max(xn, lb), ub); d(i) fun(xn) - f0; end d d(d 0); % 只统计变差的那些 if isempty(d), T0 1; return; end T0 median(d) / (-log(p0)); % 由 exp(-d/T)p0 反解 end用中位数而不是均值是因为邻域采样偶尔会撞到很差的点均值会被拉高中位数更稳。0.1这个系数控制采样范围占搜索空间的比例取值太小估出来的 T0 偏低太大会把 T0 估高一般保持 0.05 到 0.2 之间就行。要注意估计用的是初始点邻域换初始点就要重估一次这两个参数是绑定的。4.2 降温系数 α 与链长 L 的乘积决定了总计算量总评估次数约等于maxIter × L而maxIter又由 α 和期望的末温决定从 T0 降到 T_end 需要的外循环数是 log(T_end/T0)/log(α)。把这两条合起来看就能在给定计算预算下分配参数而不是盲目试。问题维度建议 L建议 α说明2~530~600.90~0.95小空间链短也能覆盖6~1560~1200.95~0.97维度上来了每个温度要多采16~50120~3000.97~0.99评估成本高时优先加 L 而非 maxIter背后的逻辑是L 决定单个温度下 Markov 链能否接近该温度下的平稳分布α 决定温度下降的步幅。α 太小每个温度还没探索够就降温算法退化成贪心L 太短同一个温度下采样不足以让接受率稳定下来接受率曲线会剧烈抖动。维度越高邻域里每个分量的扰动占比越小单个候选解与当前解的距离在函数值上的体现越弱所以 L 必须跟着加。4.3 终止条件迭代次数、温度下限还是停滞计数固定maxIter是最简单的做法缺点是不知道什么时候该停。更实用的组合是三条取“或”温度低于 T_end、历史最优连续若干温度无改进、达到最大评估次数。% 在 sa_solve 的外层循环里加一条停滞计数 stallLimit 30; % 连续 30 个温度无改进就提前停 stall 0; prevBest fbest; % ... 外循环内每次降温后 if fbest prevBest - 1e-8 prevBest fbest; stall 0; else stall stall 1; end if stall stallLimit || T 1e-6 break; end停滞阈值1e-8要按问题量级改目标函数值在 10³ 量级时用1e-6更合适否则永远判不出改进。stallLimit不建议设得太小SA 本来就有长时间平台期20 到 50 是常见区间。提前停的好处很直接省下来的预算可以拿去跑多次重启统计上比一条长链更划算。4.4 一次对照实验的设计与结果解读调参不能一次只改一个值看一次结果SA 的随机性会让单次结果毫无可比性。正确做法是每组参数重复跑 10 到 30 次比较中位数和离散程度。alphas [0.90 0.95 0.98]; Ls [30 60 120]; res []; for a alphas for L Ls vals zeros(20, 1); for t 1:20 opt struct(T0,1,alpha,a,L,L,maxIter,300, ... stepScale,0.3,seed,t); [~, vals(t)] sa_solve(objfun, [3 3], [-5 -5], [5 5], opt); end res [res; a, L, median(vals), std(vals), min(vals)]; %#okAGROW end end T array2table(res, VariableNames, ... {alpha,L,median_f,std_f,best_f}); disp(T);判断标准看两列median_f越小越好std_f越小说明这组参数越稳定。经常出现的情况是某组参数偶尔摸到很好的解best_f很小但median_f一般、std_f很大这种参数看着诱人实际不可用——你没法保证下次跑还能撞上。工程上宁可选median_f稍差但std_f小的一组。5. 排查清单SA 结果不理想的五类现象5.1 现象一每次运行结果差异巨大差一个量级原因几乎总是两条叠在一起随机种子没固定以及只跑了一次就下结论。SA 本身是随机算法单次结果服从一个分布拿分布的尾部去评估算法是没有意义的。解决分两步。调试阶段固定rng(opt.seed)保证改参数时其余条件不变评估阶段必须跑 20 次以上看中位数和四分位距。如果 20 次的中位数和最优值之间差得离谱说明分布很宽这时候该调的是L和maxIter而不是继续换种子碰运气。提示把seed作为参数结构体字段传进去而不是在函数里写死rng(0)否则做对照实验时所有组共享同一条随机序列比较会失真。5.2 现象二前几十步就不动了接受率一路贴着 0原因通常是初温过低或者邻域步长太小导致候选解和当前解几乎一样df 长期约等于 0rand() exp(-0/T)恒成立但没有任何实际移动。还有一种隐蔽情况目标函数在某个方向上的量级远大于其他方向均匀扰动的步长被大量级方向主导小量级方向实际上没被搜索到。解决先用estimate_T0重估初温把stepScale从 0.3 加到 0.5 试一次如果各维量级差异明显在邻域生成里给每个维度单独乘一个尺度因子尺度取该维搜索范围的倒数做归一化。接受率曲线是最好的诊断工具正常应该从 0.7 以上平滑下降一开始就贴 0 基本可以判定是初温问题。5.3 现象三跑出来的解还不如网格搜索这个现象在小维度问题上特别常见原因往往不是算法不行而是预算分配错了。二维问题网格搜 100×100 才 10000 次评估SA 用 300×50 15000 次却在做随机游走效率当然比不过。解决先跑一个网格或随机采样基线第 6 章有代码确认 SA 至少不比基线差如果确实差优先加L、减maxIter因为小维度下每个温度采得充分比降得慢更重要再检查边界处理简单裁剪会把大量候选解压在边界上等于把搜索空间缩成了边界改用反射式处理能明显改善。还有一种可能是目标函数写错了维度顺序输入明明是行向量函数里却按列向量索引这种错误跑出来的值看着像模像样实际搜索的是另一个函数。5.4 现象四带约束的问题解全挤在边界上直接把约束问题丢给无约束 SA靠简单裁剪处理上下界结果就是最优解长期停在边界。原因是裁剪让大量候选解映射到同一个边界点该点的接受概率被反复放大形成人为的吸引子。解决优先用罚函数把约束违反量加到目标值上罚系数分两档——前期用小系数让算法敢探索不可行区后期用大系数把解拉回可行域。罚系数不要一步到位设成 1e10那样目标函数的地形会被罚项完全主导退火过程失去意义。如果约束是线性的也可以在邻域生成后做一次投影比罚函数更干净。边界处理则建议改成反射越界分量按lb (lb - xn)折回避免堆在边界。5.5 现象五PDF 里的参数说明和代码默认值对不上这个几乎每个下载包都会遇到。文档里写 α 默认 0.9代码里是 0.98文档说 L 是链长代码里 L 是总评估次数。照着文档调参结果自然对不上预期。解决以代码为准文档只用来理解概念。拿到包之后第一件事是把主循环从头到尾读一遍把自己关心的参数在代码里的实际含义记下来特别是那几个名字含糊的比如n、iter、maxgen。如果代码里有 demo 脚本先原样跑一遍把输出的接受率和收敛曲线存档作为后续改动的对照基准。改完自己的参数再跑曲线形态明显偏离基准时先怀疑参数含义理解错了再怀疑算法本身。6. 进阶多次重启、自适应降温与一套验证标准单条长链不如多条短链这是我在实际项目里吃亏之后才接受的结论。把预算拆成 10 条独立链每条从不同初值或不同种子出发取最优稳定性提升明显。代码很短best inf; xb []; for r 1:10 opt struct(T0,1,alpha,0.95,L,60,maxIter,150, ... stepScale,0.3,seed,100r); x0 lb (ub - lb) .* rand(1, 2); % 随机初值 [x, f] sa_solve(objfun, x0, lb, ub, opt); if f best, best f; xb x; end end自适应降温解决的是“平台期浪费预算”的问题连续若干个温度最优值没有改进就手动把温度乘一个额外系数比如 0.7踩一脚逼它进入更贪心的阶段反过来如果接受率长期高于 0.9说明降得太快可以把温度回退一档。这个逻辑加上去之后同样的评估次数通常能多榨出 5% 到 10% 的目标值改进。验证标准我固定用三条和网格/随机采样基线比中位数不能更差20 次重复的std_f要控制在最优值量级的 5% 以内换两组不同初值结果落在同一量级。三条都过这组参数才算可用。验证项做法不通过的信号基线对比同预算下跑网格或随机采样SA 中位数劣于基线稳定性固定参数跑 20 次算 stdstd 超过最优值的 5%初值鲁棒性换两组初值各跑 5 次结果差出一个量级从那以后我每次调 SA 参数都强制先把这三条跑一遍单次收敛曲线再漂亮也不作数——曲线好看只说明这一次运气不错三条验证才说明这组参数能复现。希望这套流程能帮你少走几趟弯路。本文还有配套的精品资源点击获取