上述论文详细介绍了模拟退火算法的应用，通过论文的介绍对模拟退火算法由更深的认识

采用遗传算法和模拟退火算法解决VLSI中的布局优化问题,包含源代码。

使用模拟退火算法解决带时间窗的车辆路径问题，matlab代码

用模拟退火算法求解二维函数的最优解；用模拟退火算法求解二维函数的最优解；用模拟退火算法求解二维函数的最优解

模拟退火、神经网络、动态规划、时间序列分析、支持向量机等优化统计算法的matlab实现，部分算法使用lingo软件编写（如排队论，比matlab程序简洁很多）

介绍了几种智能优化算法，包括模拟退火 遗传算法 禁忌搜索 神经网络 邻域搜索等，以及他们之间的混合算法等。

模拟退火算法与遗传算法结合及多目标优化求解研究模拟退火算法与遗传算法结合及多目标优化求解研究模拟退火算法与遗传算法结合及多目标优化求解研究

模拟退火算法模拟退火算法模拟退火算法模拟退火算法

Introduction 复现了一些TSP问题的相关算法，对TSP数据集st70.tsp进行了测试，并对此测试数据调整了参数，开箱即用。 Algorithms 动态规划(DP) 遗传算法(GA) 粒子群算法(PSO) 模拟退火算法(SA) 蚁群算法(ACO) 自适应神经网络(SOM) 禁忌搜索算法(TS) 指针网络(Pointer-network)[pytorch版本复现] Tips 遗传算法核心要素：父代集合的数量，选择两个父代个体的方式，交叉操作、变异操作 粒子群算法核心要素：个体当前最优与粒子群群体当前最优，生成新个体的时候与这两个最优解都会发生交叉 模拟退火算法核心要素：跳出最优解的概率必须是会随着时间变化，降温速度，初始温度，最终温度，随机解的生成方式，随季解数量 蚁群算法核心要素：不同城市之间的概率转移矩阵不断变化（受信息素的影响），参数繁多 自适应神经网络核心

论了传统模拟退火算法的原理、求解过程，详细地分析了它存在的局限，简单叙述了模拟退火算法中关键参数对该算法性能的影响，并给出了该算法的可行的改进方案