【模拟退火法】

模拟退火法（Simulated Annealing, SA）是一种用于优化问题的算法，灵感来自于金属退火过程。以下是模拟退火法的浅显易懂解释：

模拟退火法的原理

1. 退火过程的模拟
   在金属退火过程中，金属被加热到高温，然后缓慢冷却。这一过程允许金属原子的重新排列，使其达到最低能量状态，形成稳定的晶体结构。模拟退火法借用了这一过程来解决优化问题：
   加热：
   开始时，系统处于高温状态，能量较高，允许较大的随机性和波动。
   冷却：
   随着温度的逐渐降低，系统的随机性减少，波动减小，逐步趋向稳定状态。

2. 优化问题的解决
   在优化问题中，我们希望找到一个全局最优解，而不是局部最优解。模拟退火法通过以下步骤来实现这一目标：
   初始解：
   从一个随机或给定的初始解开始。
   邻域搜索：
   在当前解的邻域中随机选择一个新解，称为候选解。
   能量差计算：
   计算新解和当前解的“能量差”，能量通常与目标函数的值相关联。例如，能量差可以是目标函数值的变化量。
   接受新解的概率：
   如果新解比当前解更优（能量更低），直接接受新解。
   如果新解不如当前解，以一定概率接受新解。这一概率由当前温度和能量差决定，通常使用以下公式：
   
   温度下降：
   按照预定的冷却计划逐步降低温度。常见的冷却计划是指数冷却：
   
   终止条件：
   当温度降到某个阈值或者达到最大迭代次数时，停止算法。

示例
假设你想找到一个数，使得它的平方值最小。我们可以用模拟退火法来找到这个最优解（显然是0，但我们用这个简单例子来说明原理）。

import numpy as np
import matplotlib.pyplot as plt

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

# 模拟退火算法
def simulated_annealing(initial_solution, initial_temp, cooling_rate, max_iter):
    current_solution = initial_solution
    current_temp = initial_temp
    history = [current_solution]

    for _ in range(max_iter):
        # 生成邻域中的新解
        new_solution = current_solution + np.random.uniform(-1, 1)
        # 计算能量差
        delta_energy = objective_function(new_solution) - objective_function(current_solution)
        
        # 根据能量差和当前温度决定是否接受新解
        if delta_energy < 0 or np.exp(-delta_energy / current_temp) > np.random.rand():
            current_solution = new_solution
        
        # 记录历史解
        history.append(current_solution)
        
        # 降低温度
        current_temp *= cooling_rate

    return current_solution, history

# 初始参数
initial_solution = 10
initial_temp = 100
cooling_rate = 0.95
max_iter = 100

# 执行模拟退火
final_solution, history = simulated_annealing(initial_solution, initial_temp, cooling_rate, max_iter)

# 打印最终结果
print(f"Final Solution: {final_solution}")

# 绘制历史解
plt.plot(history)
plt.xlabel('Iteration')
plt.ylabel('Solution')
plt.title('Simulated Annealing Optimization')
plt.show()