目錄
我的基礎
優化算法的要素如下，
目標函數；約束條件（自變量範圍等）；判斷條件；自變量。
經過學習，以上的專業術語是：狀態函數 <包含了計算和狀態轉移的判斷>；搜索空間（狀態空間）。
那麼模擬退火 算法的特點是什麼呢？
答：有一個候選解，採用隨機數在一定範圍內隨機選取。
本文的主要目的就是結合實際題目，理解上述一句話。要理解上述含義，需要了解一個準則——Metropolis準則。
這個準則用來判斷狀態轉移條件和概率。
根據Metropolis準則，粒子在溫度T時趨於平衡的概率——也就是說出現能量差爲dE的降溫的概率爲P(dE)，表示爲：P(dE) = exp( dE/(kT) )]。其中E爲溫度T時的內能，dE爲其改變量爲負值，k爲Boltzmann常數。因此P與T正相關。
用固體退火模擬組合優化問題，將內能E模擬爲目標函數值f，溫度T演化成控制參數t，即得到解組合優化問題的模擬退火算法：由初始解i和控制參數初值t開始，對當前解重複“產生新解→計算目標函數差→接受或捨棄”的迭代，並逐步衰減t值，算法終止時的當前解即爲所得近似最優解，這是基於蒙特卡羅迭代求解法的一種啓發式隨機搜索過程。退火過程由冷卻進度表(Cooling Schedule)控制，包括控制參數的初值t及其衰減因子Δt、每個t值時的迭代次數L和停止條件S。
總結
1、題目：平衡點問題：https://www.luogu.org/problem/P1337 ——後面用模擬退火思路分析。
輸入格式：文件的第一行爲一個正整數n（1≤n≤1000），表示重物和洞的數目。接下來的n行，每行是3個整數：Xi.Yi.Wi，分別表示第i個洞的座標以及第 i個重物的重量。(-10000≤x,y≤10000, 0<w≤1000 )
2、結合參考文獻1中代碼分析，代碼初始值選 t=3000，其實是有問題的？如果輸入 都大於3000，是否可以呢？引出如下：
主要問題
問：模擬退火變量是由大變小，那麼和具體題目中的隨機數變化是什麼關係？
答：這是在判斷轉移條件時使用，3種情況。
case 1，如果目標函數變小了，那麼接受變量。
case 2，如果目標函數相等或者變大了，那麼就不接受新變量了嗎？答案是以一定概率接受新變量。如何確定這個概率呢？就要T，dE以及隨機數了。實際上是P(dE)的應用。
case 3，case 2 沒能接受，就要對T進行縮小。一般T乘以0.9500到0.9999之間的一個數。
模擬退火的思想就體現在，不斷選擇新變量，然後重複判斷case 1,2,3，這個過程中，T是變小的，P(dE)也是不斷變小的。但目標函數是不斷接近最優值的。而第2種判斷也可能使目標函數達到全局最優，否則就不必要進行case 2判斷，而直接進入case 3了！
參考文獻：
1. https://www.luogu.org/problemnew/solution/P1337 之“模擬退火學習筆記”，——代碼可用-Dev C++
2.https://blog.csdn.net/qq997843911/article/details/83445318 原鏈接 http://dingby.site/2018/04/07/%E6%9C%80%E4%BC%98%E5%8C%96%E7%AE%97%E6%B3%95%E2%80%94%E2%80%94%E5%B8%B8%E8%A7%81%E4%BC%98%E5%8C%96%E7%AE%97%E6%B3%95%E5%88%86%E7%B1%BB%E5%8F%8A%E6%80%BB%E7%BB%93/
3.https://www.cnblogs.com/ranjiewen/p/6084052.html