退火算法：原理、步骤和应用 - 全局优化算法

退火算法（Simulated Annealing）是一种基于概率的全局优化算法，用于在复杂的搜索空间中寻找最优解。它模拟了固体退火过程中的晶格结构改变，通过温度控制来平衡全局搜索和局部搜索之间的权衡。\n\n算法步骤如下：\n1. 初始化温度T和初始解x。\n2. 生成一个邻域解x'，并计算其目标函数值f(x')。\n3. 计算目标函数值的差值Δf = f(x') - f(x)。\n4. 如果Δf < 0，即新解更优，则接受新解x'，更新当前解x = x'。\n5. 如果Δf >= 0，根据温度T和Δf的值计算接受新解的概率p = exp(-Δf/T)。\n6. 以概率p接受新解x'，更新当前解x = x'；否则保持当前解不变。\n7. 降低温度T，通常使用指数衰减方式，如T = α * T，其中0<α<1。\n8. 重复步骤2-7，直到满足停止条件（如达到最大迭代次数）。\n\n退火算法的核心思想是在初始阶段允许一定程度的劣化解，通过增加温度来增加接受劣化解的概率，以避免陷入局部最优解。随着迭代的进行，温度逐渐降低，接受劣化解的概率减小，算法逐渐趋向于收敛到全局最优解。\n\n退火算法在组合优化、参数优化、图论等领域有广泛应用，可以有效地解决复杂的优化问题。但由于其需要进行大量的随机搜索和计算，算法的效率较低，需要仔细调节参数和停止条件以获得较好的结果。