【模拟退火算法】模拟退火算法（Simulated Annealing, SA）是一种基于概率的全局优化算法，灵感来源于金属退火过程。在该过程中，材料被加热至高温后缓慢冷却，以减少内部应力并形成更稳定的结构。模拟退火算法通过模仿这一物理过程，旨在寻找问题的全局最优解。
一、算法核心思想
模拟退火算法的核心思想是：在搜索过程中允许接受比当前解更差的解，从而避免陷入局部最优。随着迭代次数增加，算法逐渐降低“温度”，即减小接受较差解的概率，最终收敛于一个较优解。
二、算法流程
1. 初始化参数：设定初始温度 $ T_0 $、降温系数 $ \alpha $、终止温度 $ T_{\text{end}} $、每个温度下的迭代次数等。
2. 生成初始解：随机或启发式方法生成初始解。
3. 迭代优化：
- 在当前温度下，从当前解中随机生成一个邻域解。
- 计算新解与旧解的目标函数值差异。
- 根据Metropolis准则决定是否接受新解。
4. 降温：按设定的降温规则降低温度。
5. 终止条件：当温度降至设定值时停止。
三、关键参数说明
| 参数名称 | 说明 |
| 初始温度 $ T_0 $ | 控制初始阶段接受劣解的概率，过高可能导致计算时间过长，过低则可能无法跳出局部最优 |
| 降温系数 $ \alpha $ | 控制温度下降的速度，通常取值为 0.8~0.99 |
| 终止温度 $ T_{\text{end}} $ | 当温度降到此值时，算法停止 |
| 迭代次数 | 每个温度下进行的搜索次数，影响算法精度和效率 |
四、优点与缺点
| 优点 | 缺点 |
| 可以避免陷入局部最优 | 收敛速度较慢 |
| 适用于非线性、多峰问题 | 参数选择对结果影响较大 |
| 实现简单，易于编程 | 对大规模问题性能有限 |
五、应用领域
| 领域 | 应用示例 |
| 组合优化 | 旅行商问题、背包问题 |
| 调度问题 | 作业车间调度、任务分配 |
| 图像处理 | 图像分割、图像配准 |
| 机器学习 | 神经网络参数优化、特征选择 |
六、总结
模拟退火算法是一种有效的全局优化方法，特别适合解决复杂、非线性的优化问题。虽然其收敛速度不如一些现代优化算法，但其简单易实现、适应性强的特点使其在实际应用中仍具有重要价值。合理设置参数是提升算法性能的关键。