"活"的模拟退火算法

看到网上很多人只会用"死"的模拟退火算法，网上的资料也全是"死"的模拟退火算法，所以我来说一说"活"的模拟退火算法……


大家都知道算法步骤： 先取一个初始状态集合和一个足够大的温度T，若T没有降到Tmin，对于集合中的每个状态，求出它能扩展出的最优状态，若更优则替换原解，否则以e的ΔE/T次方的概率替换原解，取最优解作为答案
当具体到某个实际问题时，这样可能不能起到好的效果，不是每个问题都是让你"退火"的！！


我要说的是 "退火"的思想和本质！！
模拟退火算法的具有智能的地方是考虑了" 非更优解能扩展出更优解的概率"，这种概率在"非退火"问题上未必是e的ΔE/T次方，未必随T升高而升高，随ΔE的绝对值的升高而降低，我们完全有权利改造这个概率函数，使得它能解决其他问题。


思考非更优解扩展出更优解的概率变化，与哪些量呈正相关，与哪些量呈负相关？
当概率与温度成正相关，与评价函数差的绝对值成负相关时，就和狭义的模拟退火算法一样，
否则可以自己设计概率函数，这是广义的模拟退火算法。
若此概率不和温度相关，就不要判温度了！
若非更优解扩展出更优解的概率是0，那就又可以 欢乐地爬山了。


同样地，算法终止条件也未必是温度降到了某个值， 要根据当前解为最优解的时机来考虑，甚至也可以搞一个概率，很随意的。。学东西不要学死了！！如果说的不对请轻喷... 


以上不是重点，下面才是重点，能解决很多几何问题的神器——变步长爬山！！很多情况下能替代模拟退火。。
更神的算法（很多人把它叫做模拟退火，这实际上不是模拟退火，而是变步长爬山……）
我们想象在一个三维的空间内，有一个山脉的地形图，有山峰和山谷，越高表示这个位置的值越优，
如果这个图中山峰非常密集，忽高忽低，乱七八糟，到处都是"尖塔"和"裂缝"，就没什么启发信息了，别想用启发式搜索了！
当然这种情况很少见，一个问题中往往总会有些量是渐变的。。
否则可以直接搞多人变步长爬山，人数大概是山峰的个数*2（个人经验），
这样非常简单非常暴力，其AC率远远高于用不合理的概率函数的AC率……
个人认为，变步长爬山是先大步后小步，与模拟退火的先大概率接受后小概率接受有很大的内在联系。
如果是离散的，不知道这个状态扩展N次（步长）后的状态是什么，那就只能模拟退火了囧。。


至于遗传算法，个人认为适应度函数不是很好设计，在竞赛中实际应用也没有模拟退火多，
人工智能算法我强烈推荐A*、变步长爬山和模拟退火，其他的可以只做了解……
纯属个人见解。。