SALBP-1-模拟退火 该算法是一种概率方法，用于逼近简单装配线平衡问题的全局最优值。 Linux构建 要构建此应用程序，请在父目录中执行make build 。 用法 ./salbp1-sa[OPTIONS]... OPTIONS: -c (SALBP1 maximum time per station. Default: 6) -t (initial temperature. Default: 1) -l (stop condition. Default: 0.000001) -d (cools temperature to (temperature_decay*temperature

货架分配问题 用爬山，模拟退火和遗传算法解决货架分配问题 问题描述 我们必须将各种物质分配到实验室的不同架子上，以使任何一种物质都不在一起React并引发化学React。 在每行的输入中，我们使用触发化学React的编号和其他编号列表来处理物质。 在架子上找到某种物质，以最大程度减少架子和化学React的数量。 文献资料 表类： 用于保存输入数据并为爬山和初始化退火设定初始状态以及遗传算法的填充 List [] subs是列表的数组，用于放置在同一架子上的物品，它会触发化学React。 数组的索引表示项目编号。 例如：subs [1] = {2，3}表示如果将项目＃1与2个项目（2或3）中的任何一个放置在一起，则会引起化学React。 在init（）/ init（long seed）中，它对货架上的物品进行随机配置 节点类别： 建立用于爬坡和模拟退火的树数据结构 String []项

可用, 头文件.h 齐全 并付有代码解释,

自适应模拟退火（ASA）是一种C语言代码，可找到D维空间上非线性成本函数的最佳全局拟合。 ASA具有100多个选项，可以对多种类型的非线性随机系统提供强大的调整能力。

大名鼎鼎的剑桥出版的 Numerical Recipes 里的 模拟退火算法 源代码 及 分析 Simulated Annealing 包含 两个 源代码，一个是TSP（旅行商问题），一个是downhill计算。调用方便，只需要把源文件copy 到工程中，C++编码方式。

关于这个项目 模拟退火算法的实现可最大化数学方程式的结果。 运行项目 您可以使用jupyter Notebook或google colab来运行。

自适应模拟退火 自适应模拟退火 (ASA) 是一种 C 语言代码，用于在统计上找到成本函数中参数的最佳全局拟合。 看：

模拟退火 在本练习中，我们将实现几种本地搜索算法，并在数十个美国州首府之间的“旅行推销员问题”（TSP）上对其进行测试。 特别是，我们将专注于模拟退火算法，该算法是允许某些下坡运动的随机爬山的一种形式。 在退火计划的早期阶段，人们很容易接受下坡运动，然后随着时间的推移，下坡运动的频率降低。 时间表输入确定温度T的值作为时间的函数。

马尔可夫链蒙特卡洛-0/1背包问题 该资料库引用了该学科的最终：《蒙特卡洛算法和马尔可夫链中的特殊主题》 ，PESC / COPPE / UFRJ ，由 教授在2018年第一学期教授。 学生们： 关于 该存储库的目的是为0/1背包问题建立解决方案，也就是说，每个元素都可以或不可以不经过重复就出现在解决方案中。 开发的代码旨在评估涉及Markov Chains Monte Carlo的不同算法的结果和性能。 与伪多项式求解算法和贪婪算法（称为“爬山”）相比，本文涵盖的技术涉及不同冷却和过渡策略下的随机游走，Metropolis Hastings，模拟退火算法。 此外，该存储库还试图提出可能的场景，在这些场景中，马尔可夫链蒙特卡洛算法比确定性算法更具优势。 运行算法 所有算法都是使用编写的，并且在src目录中可用。 在data目录中，您可以找到一些可以由算法执行的问题。 涉及Mark

Adaptive Simulated Annealing (ASA) is a C-language code developed to statistically find the best global fit of a nonlinear constrained non-convex cost-function over a D-dimensional space. This algorithm permits an annealing schedule for "temperature" T decreasing exponentially in annealing-time k, T = T_0 exp(-c k^1/D). The introduction of re-annealing also permits adaptation to changing sensitivities in the multi-dimensional parameter-space. This annealing schedule is faster than fast Cauchy annealing, where T = T_0/k, and much faster than Boltzmann annealing, where T = T_0/ln k. ASA has over 100 OPTIONS to provide robust tuning over many classes of nonlinear stochastic systems.