模拟退火算法（Simulated Annealing，SA）是一种基于概率的优化算法，它来源于固体退火原理。模拟退火算法通过模拟固体
加温至充分高，再让其徐徐冷却的过程，结合概率突跳特性在解空间中随机寻找目标函数的全局最优解。
模拟退火算法的基本原理包括初始解、解空间和目标函数三个部分。初始解是算法迭代的起点，可以任意选择。解空间一般是
离散的可行解的集合。目标函数则用于评价解的质量。
在模拟退火算法中，从某一较高初温出发，伴随温度参数的不断下降，结合概率突跳特性在解空间中随机寻找目标函数的全局
最优解。在搜索过程中，算法通过赋予搜索过程一种时变且最终趋于零的概率突跳性，从而可有效避免陷入局部极小并最终趋
于全局最优。
模拟退火算法的原理包含两个部分，即 Metropolis 算法和退火过程，分别对应内循环和外循环。在每个温度下，算法通过多次
迭代寻找局部最优解，并通过概率接受准则来判断是否接受新的解。随着温度的逐渐降低，算法逐渐趋于全局最优解。
模拟退火算法在解决组合优化问题、机器学习、神经网络等领域有广泛应用。它可以有效避免陷入局部最优解，提高全局搜索
能力，是一种非常有效的优化算法。
模拟退火算法（Simulated Annealing, SA）是一种优化算法，它模拟了物理中固体退火的过程。算法通过引入随机性和温度参数，
在搜索过程中逐渐降低温度，从而找到全局最优解。以下是一个简单的模拟退火算法的 Java 实现示例，用于解决一个最小化问
题：
java 复制代码
import java.util.Random;
public class SimulatedAnnealing {
private static final double INITIAL_TEMPERATURE = 1000.0;
private static final double FINAL_TEMPERATURE = 0.01;
private static final double COOLING_RATE = 0.95;
// 目标函数，这里使用一个简单的函数作为示例
private static double objectiveFunction(double x) {
return Math.sin(x) * Math.exp(-x * x);
}
// 邻域函数，用于生成当前解的邻域
private static double neighborFunction(double x) {
Random random = new Random();
return x + random.nextDouble() * 2 - 1; // 在[x-1, x+1]范围内生成一个随机数
}
public static void main(String[] args) {
double currentSolution = Math.random(); // 初始解
double bestSolution = currentSolution;
double currentTemperature = INITIAL_TEMPERATURE;
