模拟退火算法总结记录

模拟退火算法（Simulated Annealing，SA）是一种基于概率的全局优化算法，其核心思想源于固体退火过程的物理现象。以下是其主要特点的总结：

一、基本原理与核心思想

物理类比 将优化问题类比于固体退火过程：

升温：固体粒子热运动增强，能量升高（对应算法初始解探索阶段）冷却：粒子逐渐有序，能量降低（对应算法收敛到全局最优解） 通过引入温度参数和Metropolis准则，允许以一定概率接受劣解，避免陷入局部最优 Metropolis准则 新解接受概率公式

 其中 ΔE 为目标函数差值，T 为当前温度。高温时接受劣解概率高，增强全局搜索能力；低温时趋于接受优解，实现局部精细搜索。

二、算法流程与步骤

初始化

设置初始温度 T0​、终止温度 Tf​、降温系数α、马尔可夫链长度L

迭代优化

内循环（等温过程）：在当前温度下进行 L 次新解生成与评估 通过邻域函数生成新解 ′S′，计算 ΔE=E(S′)−E(S)根据Metropolis准则决定是否接受新解  外循环（降温过程）：按降温函数 T(k+1)​=αT(k)​ 降低温度，直到 T<Tf​   

                3.终止条件         通常设置为连续多次迭代无改进，或温度降至预设阈值。

三、优缺点分析         1.优点

                全局收敛性：理论上能以概率1收敛到全局最优解

                灵活性：适用于离散、连续、混合型优化问题

                鲁棒性：对初始解不敏感，适合多峰函数优化

        2.缺点

                计算效率低：需多次迭代和参数调优

                收敛速度慢：降温速率与搜索精度需权衡