一起养成写作习惯！这是我参与「掘金日新计划 · 4 月更文挑战」的第2天，点击查看活动详情。
退火（什么是物理退火？）
退火是指将固体加热到足够高的温度，使分子呈随机排列状态，然后逐步降温使之冷却，最后分子以低能状态排列，固体达到某种稳定状态。
模拟退火算法（Simulated Annealing）
- 高温阶段优化搜寻单元更加活跃，容忍度大，即使是非优解也愿意接受尝试。（以一定概率接受差解，避免掉入局部最优解）。
- 随着冷却的持续，搜寻单元活性降低，越来越抵触非优解（接受差解的概率减少）。
- 在高温下，可接受与当前状态能量差较大的新状态。
- 在低温下，只接受与挡前状态能量差较小的新状态。
换种通俗角度来讲：模拟退火算法就像是一群兔子想爬上最高的山顶，但是它们喝醉了，朝着四处随机跳跃很长时间，可能跳向高处，可能跳向低处。随着时间的增加，它们慢慢醒酒了，逐渐开始朝着高度方向跳去。
该方法增加了找到最优解的概率，并不一定能够找到最优解。
注意：
- 初温越大，获得高质量解的机率越大，但花费较多的计算时间
- 每次变化后的系统状态可作为下次变化的起点（更优的解或者以一定概率接受的差解）
状态产生函数
产生的候选解应遍布全部解空间，例如在TSP问题中，状态产生函数：
- 互换操作，随机交换两个城市的顺序
- 逆序操作，两个随机位置间的城市逆序
- 插入操作，随机选择某点插入某随机位置 因此，如何设计状态产生函数，就需要我们对问题有清晰的认识。
通常情况下，在当前状态的邻域结构内以一定概率方式（均匀分布、正态分布、指数分布等）产生
模拟退火算法的优点
- 质量高；
- 初值鲁棒性强；
- 简单、通用、易实现。
模拟退火算法的缺点
由于要求较高的初始温度、较慢的降温速率、较低的终止温度，以及各温度下足够多次的抽样，因此优化过程较长。
