算法总是在目前做出最好的选择。 也就是说，贪婪算法并不是从整体最优出发来考虑，而是在某种意义上只是局部最优的选择。 当然，我希望贪婪算法得到的最终结果也是整体最好的。 贪婪算法不能对所有问题得到整体最优解，但可以对许多问题产生整体最优解。 单源最短路径问题、最小生成树问题等。 在某些情况下，即使贪婪算法得不到整体最优解，最终结果也会成为最优解的良好近似。
在介绍模拟退火之前，先介绍爬山算法。 爬山算法是一种简单的贪婪搜索算法，该算法每次从当前解的邻域解空间中选择最优解作为当前解，直到达到局部最优解。
爬山算法实现简单，其主要缺点是陷入局部最优解，不一定能搜索到全局最优解。 如图1所示，假设将c点作为现在的解，登山算法搜索a点这个局部最佳解的话就会停止搜索。 因为在a点无论向那个方向移动多少都得不到更好的解。
图1
3 .模拟退火算法伪代码
代码/**j(y )状态y下的评估函数值(y ) I )表示当前状态(y ) I1 )表示新状态) r :用于控制降温速度) t :系统温度，系统初始应该处于一个高温状态(t 接受从//y(I )到(y ) I1 )的移动的else(/函数exp ) dE/T )的可能值的范围为(0，1 )，dE/T越大则exp ) dE/T )也为if ) exp ) de //降温退火，0r1。 r越大降温越慢r越小降温/**过大时，检索全局最优解的可能性越大，但检索的过程也越长。 如果r太小，搜索的过程会加快，但最终可能会达到局部最佳值*/i () ) ) )。
四. 使用模拟退火算法解决旅行商问题
旅行商问题(TSP，Traveling Salesman Problem ) )要求有n个城市，从其中一个问题出发，唯一横穿所有城市，回到出发的城市，寻求最短的路线。
旅行商问题就是所谓的NP完全问题，要正确解决TSP只能网罗所有的路径组合，其时间复杂度为o(n )！ 请参阅。
使用模拟退火算法可以较快地确定TSP的近似最优路径。 (你可以使用遗传算法。 在下一篇文章中介绍。 )模拟退火解决TSP的思路：
1 .产生新的扫描路径p(I1 )，计算路径p ) I1 )的长度l ) p ) I1 )
2.L(P ) I1 ) ) l ) p ) I ) )的情况下，接受p ) I1 )作为新的路径，否则，以模拟退火的概率接受p ) I1 )，降低温度
3 .重复步骤1和2，直到满足终止条件
有很多方法可以生成新的导线测量路径，以下是其中的三种。
1 .随机选择两个节点，调换路径中这两个节点的顺序。
2 .随机选择两个节点，逆转路径上两个节点之间的节点顺序。
3 .随机选择3个节点m，n，k，将节点m和n之间的节点移动到节点k之后。
五. 算法评价
模拟退火算法是一种随机算法，不一定能找到全局最优解，能较快地找到问题的近似最优解。 如果参数设定得当，模拟退火算法的搜索效率高于穷举法。
http://www.cnblogs.com/heaad/