1.爬山算法
爬山算法是一种简单的局部贪心搜索算法，该算法每次从当前解的临近解空间中选择一个最优解作为当前解，直到达到一个局部最优解。
主要过程：
随机选择一个登山的起点；每次拿相邻点与当前点进行比对,取两者中较优者,作为爬坡的下一步；重复第2步，直至该点的邻近点中不再有比其大的点；选择该点作为本次爬山的顶点,即为该算法获得的最优解。
从爬山算法的流程可以看出，它的实现虽然简单，但在遇到局部最优问题时，是很容易陷入局部最优、找不到全剧最优解的，同时初始随机登山点的选择，也对算法的结果影响很大、
所以，，它亟待解决的问题就是如何避免陷入局部最优。
2.模拟退火
模拟退火来自模拟物体在加热后分子达到高度混乱状态，然后慢慢冷却，物体内部的分子各自达到自己应该的状态；
简单来说、在过去的爬山算法中，当遇到临近点没有当前点好时，直接舍弃。这样确保了一时的最优，但从全局的角度，则丧失了寻找其它可能存在的局部最优点的情况。。
因此在模拟退火的算法中，对一个不佳的临近点，会在一定概率下接受它成为最新点，这个概率就是退火的核心思想啦啊啦啦。模拟退火其实也是一种贪心的思想，但是它通过概率接受较差的解、带来了跳出局部解的机会。
那这个概率怎么算了，就要看看退火中的一个核心概念--温度T；
假设评价函数为C(x)，且结果越小，说明解越好；原解为x，评价为C(x)，此时从临近区产生一个新的解x'、评价为C(x')；C(x')-C(x)；若
<0，说明新解更好，代替原解成为最优解；反之，说明新解没有原来的解好，此时计算概率
，由于
<0，所以p一定是0-1之间的数，所以随机生成一个0-1的随机数，若在概率范围内，就接受这个点。
这个概率与和T有关，
取决于新的解与原来解之间的差距，越差的点被保留的概率就越低；对于T，则是T越高，点被保留的概率越大，因此这个T就像现实生活中的温度一样，会逐步减少。因此在退火算法的最开始，最优点会波动的很厉害、但随着温度的逐渐降低，点就不再波动，稳定下来了，，
2.1 模拟退火的优点
迭代搜索效率高，并且可以并行化；算法中有一定概率接受比当前解较差的解，因此一定程度上可以跳出局部最优；算法求得的解与初始解状态S无关，因此有一定的鲁棒性；
