1.模拟退火算法
可能的情况很多，数据量太大，用模拟退火搜索出需要的解（求最值）（最大值问题可以添加负号转换成求最小值问题）
启发式搜索：利用搜索过程中获取的信息改进搜索策略。启发式搜索有利于找到问题最优解，且有助于加速求解过程。
模拟退火可以说是最简单（应用）的启发式搜索之一
相比起爬山法（找到局部最优解），模拟退火算法有一定概率能接受比当前还要差的解，概率p位于[0,1]，旧解和新解的函数值越接近，p值就越大（概率为0对应爬山法，概率为1对应蒙特卡洛算法）；时间越长，p值越小；搜索前期p大，后期p小
2.搜索过程
1.随机生成一个解A，计算F(A)
2.在A附近随机生成一个解B，计算F(B)
3.对比F(A)和F(B)，进行对比，若F(B)>F(A)（求最大值）,B赋值A，F(B)<F(A)，计算接受B的概率，接受则B赋值A，且重复以上操作，否则返回第2步，在原来A附近再生成一个B继续下去
如果优化问题有约束条件： 1.生成B是查看是否符合要求 2.使用罚函数
与时间相关的系数Ct如何设置：Ct是温度t的倒数（模拟退火）
如何再A附近随机生成一个解B：没有统一规定，需要具体问题具体分析
停止搜索
1.达到迭代次数 2.达到指定温度 3.找到连续最优解，M（如30次）次迭代还未改变
3.实现
产生新解：
1.matlab内置工具
根据温度不同，新解距离旧解的步长改变，温度高步长高，温度低步长短，由全局缩短为
x_new=x_i+T×z_i 然后检查x_new是否位于上下界
2.旅行商问题
交换法，位移法，倒置法
