智能优化系列|第二期：模拟退火算法详解及TSP问题实战案例（附python代码）

1.什么是模拟退火算法(简介)

模拟退火算法是一种基于概率的全局寻优方法，用来在一个大的搜寻空间内找寻命题的最优解。它是基于Monte-Carlo迭代求解策略的一种随机寻优算法。

2.模拟退火算法核心思想

模拟退火算法的(Simulated Annealing，SA)是一种基于概率的全局寻优方法，已在理论上被证明以概率1 收敛于全局最优解。模拟退火算法模拟物理退火过程，从某一较高初温出发，随着温度的不断下降，以一定概率突跳在全局进行寻优，并最终趋于全局最优，搜索过程中趋于零概率的突跳特性可有效避免算法陷入局部最优。模拟退火算法依赖现有求解规则，是一种对已有规则进行改造的算法，它的解与初始值无关；其核心思想是以1概率接受较优解，以较小概率接受劣质解（Metropolis准则）

3.模拟退火的热力学原理

根据热力学的原理，在温度为T时，出现能量差为dE的降温的概率为P(dE)，表示为：

P(dE) = exp( dE/(kT) )

其中k是一个常数，exp表示自然指数，且dE<0(温度总是降低的)。这条公式指明了：

1) 温度越高，出现一次能量差为dE的降温的概率就越大。

2) 温度越低，则出现降温的概率就越小。又由于dE总是小于0（不然怎么叫退火），因此dE/kT <