模拟退火

模拟退火 (SA) 是一种用于全局优化问题的通用随机元算法。模拟退火在大搜索空间中很好地近似给定函数的全局优化解。Kirkpatrick、Gelat 和 Becky，1983简单看英文就叫模拟退火。

淬火技术这个词来源于冶金学中的quenching，是annealing的误译。退火是将金属材料加热，然后逐渐冷却，使其生长晶体并减少其缺陷的过程，使其远离初始位置（内能停留在最小点的状态）并移动到能量更高的状态，通过缓慢冷却，原子有更大的可能性获得比初始状态内能更小的状态。

SA算法通过迭代改进解，随机找到当前解附近的解，此时，给定函数的值和全局因子T都会对其产生影响。与上述物理过程类似，T（温度） ) 的值逐渐减小。因此，一开始，太阳变化很大，因为 T 很大，但随着 T 接近 0，变化减小。一开始，由于可以简单地爬上斜坡，因此可以轻松爬上斜坡通过登山的方法到达该区域的最佳点，无需考虑万一摔倒了怎么办。

P变成P = nk = 5 * 100 = 500，Step变成500，这里Step的值就变成了一个很重要的因素，如果Step变大，就会跳过优化值，不存在优化的阶段。这里作为优化的例子，如果有10个随机的石头，当这些石头放在最小的空间时，淬火方法最有效的值就成为淬火方法的优化值，排列10个石头，简直就是10！*10可以想到case的数量，执行一次所有的case来得到最优的case数量是非常低效的，而且如果石子数量变大，搜索所有的case就会变得更加困难，尤其是在一定的时间内。条件是找到这个，就变得几乎不可能了。不搜索所有情况而找到最优解的方法就是淬火法。但是，这种淬火法的问题是确定合适的步长。如果步长很小， ，当然，我们会找到一种优化方法，但是尺寸越小，与随机尝试所有情况的差异就越小。

如果你经常看淬火技术的原文或者看翻译版，经常会出现温度和冷冻这两个词，这是通过增加案例数量来解释，看到温度升高会导致更糟糕的结果，并改善温度下降的情况组合。原来的SA（通用模拟退火算法）存在查找速度不一、占用内存的问题，所以，几个博士生加入了新的技术来进一步开发查找技术，但是这个想法本身是在各个领域的。应用于当随机情况数量很大时，它对于在某些条件下找到大规模优化很有用。