sa （simulated annealing）搜尋演算法,就如它的名字，是模仿了退火的處理過程。在提到tsp問題的時候,經常會使用該演算法進行解決。
該演算法的流程如下
1. 首先便是初始化工作，設定初始溫度（temperature）,獲得乙個隨機的解決方案，並將其設定為當前解決方案（cur_sol）。
2. 如果溫度大於0，處理cur_sol（perturb處理，比如隨機調換方案中步驟執行順序等），得到新方案（new_sol）；如果溫度小於0，結束演算法。
3. 比較當前方案和新方案的消耗（deltae = cost(new_sol) – cost(cur_sol)）。
4. 如果deltae小於0則表明新方案比當前方案優秀，將新方案設定為當前方案，降溫，則繼續執行步驟2。
5. 根據公式p = exp(-detae/t)。計算p將其與以小於1的正隨機數比較。如果p大於隨機數，正將新方案設定為當前方案，降溫繼續執行步驟2；如果p小於隨機數，則降溫直接執行步驟2。
這個流程可以簡單的理解：不斷獲取新方案，和當前比較，如果優於當前方案，取新方案為當前方案；如果劣於當前方案，則給予它乙個機會成為當前方案，這個機會的概率取決於當前的溫度和它與當前方案之間的差距。
這裡舉tsp問題，這個在sa搜尋中最常用的例子。
tsp問題即旅行商問題：乙個旅行商a被分配到乙個任務，公司要求a去幾個城市進行公司業務拓展，所以a就會拿出地圖制定乙個合理的路線。其中路線的要求便是消耗最小，並且能夠從某乙個城市出發，並且最後返回該城市時，已經訪問過了所有城市。
首先我們需要聯絡一下sa演算法，將幾個tsp中的概念對應到sa中。路線便是我們要搜尋的解決方案（solution），路線所經歷的長度便是sa中的消耗，這樣問題就簡單了。
至於perturb處理，便是調換路線中兩個城市的順序比如
cur_sol: a->b->c->d->e->a
經過perturb處理後得到new_sol
new_sol:a->b->d->c->e->a
我們可以隨機調換兩個城市的訪問順序。
接下來便是p = exp(-detae/t)。聯絡tsp問題這個公式中
p和p2都為路線，p為當前路線，p2為新路線。p[i]表示路線中的第i個城市，l(x,y)表示城市x和城市y之間的距離。
我寫了乙個程式演示tsp問題的解決，感興趣的讀者可以去
int tsp_sa(city * cities,intncities,int ** path)
else
}temperature -= 0.01;
}deletenewpath;
return 1;
}
sa演算法，隨著溫度越來越低，獲得的方案也是越來越穩定，因為溫度的降低，是的採納非優方案的概率越來越低。至於為什麼還要給非優方案乙個機會，是因為要避免區域性最優（local optimum）。
接下來我會發表介紹幾種搜尋演算法。
非常暴力的搜尋演算法 深度優先搜尋演算法
第一題 有1 9 9個數，選取3個數組成以下格式 數字只能用一次，不能重複 有1 9 9個數，選取3個數組成以下格式 數字只能用一次，不能重複 public class demo1 第二題 有1 9 9個數，選取3個數組成以下格式 數字只能用一次，不能重複 如 12 35 47 public cla...
幾種搜尋演算法原理比一比
a搜尋 總代價 f n g n h n 其中g n 為從初始狀態到達該狀態的代價 這裡乙個狀態也就是a演算法裡常說的乙個節點 h n 為從當前狀態到目標狀態的預估代價。因此，該演算法的思路就是，每次尋找總代價f n 最小的點進行擴充套件，直到找到終點。a 的具體過程可參考這篇部落格，可參考這篇部落格...
最簡單的搜尋演算法
目前自己用的比較多的是廣搜bfs 以下是別的大神們的詳細講解 原 bfs可用於解決2類問題 從a出發是否存在到達b的路徑 從a出發到達b的最短路徑 這個應該叫最少步驟合理 其思路為從圖上乙個節點出發，訪問先訪問其直接相連的子節點，若子節點不符合，再問其子節點的子節點，按級別順序依次訪問，直到訪問到目...