模拟退火算法（Simulated Annealing, SA）及微优化（入门）

模拟退火算法（Simulated Annealing, SA）是一种启发式搜索算法，常用于解决优化问题。
该算法以概率的方式搜索问题的解空间，并在搜索过程中逐渐降低温度，从而有助于找到全局最优解。模拟退火算法的基本原理如下：

1. 初始化：随机生成一个初始解。
2. 迭代过程：
   • 生成一个新解，这个新解通过一定的方法从当前解中产生，例如随机变动。
   • 计算新解的代价（成本）。
   • 如果新解的代价更低，则接受新解；否则，根据一定的概率决定是否接受新解。
   • 降低温度。
3. 重复步骤2，直到达到结束条件（例如达到一定的迭代次数或温度达到阈值）。

下面是一个简单的模拟退火算法的Python实现示例，这里以求解一个简单的函数最小值问题为例：

import math
import random

# 目标函数
def objective_function(x):
    return x**2

# 初始解
initial_solution = random.uniform(-10, 10)

# 模拟退火参数
temperature = 1000
cooling_rate = 0.99

# 迭代次数
max_iterations = 1000

# 模拟退火算法
current_solution = initial_solution
current_cost = objective_function(current_solution)
for i in range(max_iterations):