模拟退火（SA）总结：算法流程，实例，思路

本文是偏应用的简要总结。 

关于模拟退火的基础知识和具体代码，网上有很多，不重复写了。本文没有代码，而是展示一个实例中的代码运行产生的中间结果，用于辅助理解算法流程。

本文分为四个部分：
第一部分，算法简要流程
第二部分，简单实例，按照第一部分的流程整理的代码运行时的迭代过程
第三部分，关于算法的全局搜索和局部搜索的理解
第四部分，算法思路整理

1. 简要流程

Step 1. 产生一个初始解，作为当前解
（开始进入迭代，迭代环节为Step 2 ~ Step 3）
Step 2. 创建随机增量，添加到当前解上，产生一个新解
Step 3. 如果新解的目标函数值优于当前解的目标函数值，当前解更新为新解
否则，以概率接受当前解更新为新解
（当满足迭代终止条件时，跳出迭代环节，执行Step 4）
Step 4. 输出搜索到的最优解

2. 流程应用实例——求一元函数最小值

例子：求函数最小值

函数为y = (x-π)^2 + 20cos(x), x∈[-5,5] 

最小值：取x=π时，目标函数最小值为-20

自定义：
等差降温
（算法里的每种操作都可以自由设计，而且设计方式非常多）

代码运行迭代过程：（按第一部分的流程整理标注）

Step 1. 初始化时
当前解：0.3029  对应目标函数值：27.1473
此时最优解：0.3029  对应目标函数值：27.1473

第一轮迭代：
温度值：100
Step 2. 创建的新解：-0.7255  新解的目标函数值：29.9173
Step 3. 新解的目标函数值劣于当前解的目标函数值，计算出新解的接受概率：0.9726
此时，接受新解为当前解了
当前解：-0.7255  对应目标函数值：29.9173
此时最优解：0.3029  对应目标函数值：27.1473 

第二轮迭代：
温度值：99
Step 2. 创建的新解：1.3722  新解的目标函数值：7.0760
Step 3. 新解的目标函数值优于当前解的目标函数值，接受新解为当前解
当前解：1.3722  对应目标函数值：7.0760
此时最优解：1.3722  对应目标函数值：7.0760

第三轮迭代：
温度值：98
Step 2. 创建的新解：-0.2304  新解的目标函数值：30.8419
Step 3. 新解的目标函数值劣于当前解的目标函数值，计算出新解的接受概率：0.7846
此时，接受新解为当前解了
当前解：-0.2304  对应目标函数值：30.8419
此时最优解：1.3722  对应目标函数值：7.0760

迭代以此类推

3. 全局搜索 VS 局部搜索
全局搜索：理论上通过不断的随机变化得到的解也能覆盖全部的解空间
局部搜索：偏向于局部搜索，不断的把当前的一个解通过随机增量变化为新的解

4. 核心思路
搜索到比当前解好的解，一定接受，搜索到比当前解差的解，以一定的概率接受