深入理解模拟退火算法（Simulated Annealing)

本文将对模拟退火算法（Simulated Annealing)进行介绍，深入理解这个算法。

模拟退火算法和上一篇文章随机模拟算法中的Metropolis算法有着紧密的联系，在这里将详细探讨这种关系。

我们先从这个算法要解决的问题出发，逐步引出相应的算法。（pku， sewm，shinning）

一. 问题

人们经常遇到这样的问题：在某个定义域S内，求某个函数f(x)的最小值，形式化为Min f(x)，x属于S。这是一个优化问题，根据f(x)的形式不同，有很多的优化算法来解决这类问题，简单的有穷举法（适用于定义域小的情况），图解法，数学分析法（求导数法）等精确算法，如果很难精确求得，还有很多的近似求解法，如贪心法（如爬山法，最速下降法，梯度下降法），随机模拟方法（MCMC等）。本文将介绍的模拟退火方法属于随机模拟方法，但是是可以求得精确解的（概率为1求得全局优化解），神奇吧！

二. 算法的基本思想

那怎么求解f(x)的最小值呢？它的思想是利用Gibbs分布：S中的一个点x的概率满足分布：p(x, T) = EXP(-f(x)/T)/Z，Z是归一化因子。现在假设T-> 0，可以看到f(x)越小，p(x,T)越大，意味着f(x)以非常大的概率取得最小值ÿ