优化算法1：模拟退火算法思想解析

1.算法简介
模拟退火算法得益于材料的统计力学的研究成果。统计力学表明材料中粒子的不同结构对应于粒子的不同能量水平。在高温条件下，粒子的能量较高，可以自由运动和重新排列。在低温条件下，粒子能量较低。如果从高温开始，非常缓慢地降温（这个过程被称为退火），粒子就可以在每个温度下达到热平衡。当系统完全被冷却时，最终形成处于低能状态的晶体。

如果用粒子的能量定义材料的状态，Metropolis 算法用一个简单的数学模型描述了退火过程。假设材料在状态i之下的能量为E(i)，那么材料在温度T 时从状态i进入状态j 就遵循如下规律：
（1）如果E( j) ≤ E(i)，接受该状态被转换。
（2）如果E( j) > E(i)，则状态转换以如下概率被接受：

$${e}^{\frac{E(i)-E(j)}{KT}}$$ 其中 K 是物理学中的波尔兹曼常数，T 是材料温度。
总结：
（1）在某一个 特定温度下，进行了充分的转换之后，材料将达到热平衡。
（2）当温度降至很低时，材料会以很大概率进入最小能量状态。

2.模拟退火思想最小值寻优问题
假设目标函数为

minf(x1,x2,...,xn)=