退火算法（Simulated Annealing）是利用物理中物质退火过程中的一些模拟行为进行优化的方法，是一种通用的、概率性的搜索算法。
退火算法最初的目的是模拟物理中金属加热后的退火过程，通过一定的规则来模拟这个物理过程来达到优化问题的目的。
退火算法常被用于优化问题中，例如旅行商问题、装箱问题等。相对于一些传统的搜索算法，如贪心算法、动态规划等，退火算法具有更好的全局搜索能力，可以避免陷入局部最优解的情况。
退火算法的实现分为以下几个步骤：
- 1. 设定它的初始值。初始温度要足够高，并且在搜索过程中需要不断修改。
- 2. 称为状态的解决方案进行改变。
- 3. 每次生成的后继状态，计算一个‘能量’或‘代价’函数。
- 4. 以一定的概率接受‘更差’的解决方案，以避免停在局部最优解而不能到达全局最优解。
- 5. 逐渐降低“温度”，温度越低接受劣解的概率越小，随着温度的降低，漫步的范围也会逐渐缩小。 按照一定的规则不断迭代搜索，直到达到最终解或达到设置的迭代次数。
总的来说，退火算法在解决优化问题时有着广泛的应用场景。