同遗传算法一样，模拟退火算法也是现代优化算法的一种。他对于解决组合优化问题，如TSP，JSP等问题效果较好。关于模拟退火算法的详细介绍，可以参考这里模拟退火算法。
还是拿我先前在遗传算法中举的那个例子来说，这里给出用模拟退火算法来解决的代码以及详细注释：
%模拟退火算法 %% 该部分同遗传算法 clc, clear sj0=load('sj.txt'); %加载100个目标的数据，数据按照表格中的位置保存在纯文本文件sj.txt中 x=sj0(:,[1:2:8]);x=x(:); %取经度 y=sj0(:,[2:2:8]);y=y(:); %取纬度 sj=[x y]; d1=[70,40]; %表示每个目标以及出发点的坐标 sj=[d1;sj;d1]; sj=sj*pi/180; %角度化成弧度 d=zeros(102); %距离矩阵d初始化 for i=1:101 %计算相邻两点的距离（距离是弧线） for j=i+1:102 d(i,j)=6370*acos(cos(sj(i,1)-sj(j,1))*cos(sj(i,2))*cos(sj(j,2))+sin(sj(i,2))*sin(sj(j,2))); end end d=d+d'; %距离矩阵 path=[];long=inf; %巡航路径及长度初始化 rand('state',sum(clock)); %初始化随机数发生器 %% for j=1:1000 %求较好的初始解 path0=[1 1+randperm(100),102]; temp=0; for i=1:101 temp=temp+d(path0(i),path0(i+1)); end if temp<long path=path0; long=temp; end end e=0.1^30;L=20000;at=0.999;T=1; for k=1:L %退火过程 c=2+floor(100*rand(1,2)); %产生新解 c=sort(c); c1=c(1);c2=c(2); %计算代价函数值的增量 df=d(path(c1-1),path(c2))+d(path(c1),path(c2+1))-d(path(c1-1),path(c1))-d(path(c2),path(c2+1)); if df<0 %接受准则 path=[path(1:c1-1),path(c2:-1:c1),path(c2+1:102)]; long=long+df; elseif exp(-df/T)>rand path=[path(1:c1-1),path(c2:-1:c1),path(c2+1:102)]; long=long+df; end T=T*at; if T<e break; end end path, long % 输出巡航路径及路径长度 xx=sj(path,1);yy=sj(path,2); plot(xx,yy,'-*', 'MarkerEdgeColor','g') %画出巡航路径
结果：
path = 1 至 28 列 1 95 35 93 36 43 52 46 59 83 87 74 30 20 42 15 40 60 9 5 54 55 44 38 98 50 80 51 29 至 56 列 100 101 99 21 56 96 6 89 37 12 53 75 33 73 13 32 24 49 61 28 25 68 7 71 22 81 58 23 57 至 84 列 90 66 34 29 26 63 62 86 8 39 78 47 57 88 16 91 41 4 76 69 11 64 70 19 94 65 85 77 85 至 102 列 79 31 97 18 84 10 27 14 72 48 82 92 2 67 45 3 17 102 long = 4.4830e+04 >>
