算法思路
模拟退火是模拟物理上退火方法，通过N次迭代（退火），逼近函数的上的一个最值（最大或者最小值）。
预备知识
随机函数
在Python中，可以使用random模块中的函数来获取随机数。这个模块提供了多种生成随机数的方法。
首先，你需要导入random模块。然后，你可以使用以下函数来获取不同类型的随机数：
random(): 返回一个[0.0, 1.0)之间的随机浮点数。randint(a, b): 返回一个[a, b]之间的随机整数（包含a和b）。randrange(start, stop[, step]): 返回一个从start到stop之间的随机整数，步长为step。choice(seq): 从非空序列seq中随机选择一个元素。shuffle(seq): 将序列seq中的元素随机打乱顺序。uniform(a, b): 返回一个[a, b]之间的随机浮点数。
以下是一些使用random模块获取随机数的示例：
import random
# 返回一个[0.0, 1.0)之间的随机浮点数
random_float = random.random()
print(random_float)
# 返回一个[1, 10]之间的随机整数
random_int = random.randint(1, 10)
print(random_int)
# 从一个列表中随机选择一个元素
my_list = [1, 2, 3, 4, 5]
random_choice = random.choice(my_list)
print(random_choice)
# 打乱一个列表的顺序
random.shuffle(my_list)
print(my_list)
# 返回一个[2.0, 7.0]之间的随机浮点数
random_uniform = random.uniform(2.0, 7.0)
print(random_uniform)
请注意，每次运行这些代码时，由于生成的是随机数，所以结果都会有所不同。
伪代码
import random
//Range_max 为事先定义的正的最大范围
T = 2000; //代表开始的温度
dT = 0.99; //代表系数delta T
eps = 1e-14; //相当于0.0000000000000001
//用自变量计算函数值,这里可能存在多个自变量对应一个函数值的情况，比如f(x,y)
def func(int x, ... ) {
//这里是对函数值进行计算
ans = .......
return ans;
}
//原始值
x = random.random()*Range_max; //x0取规定范围内的随机值
double f = func(x,...); //通过自变量算出f(x0)的值
while(T > eps) {
//--------------
//这里是每一次退火的操作
//x1可以左右随机移动，幅度和温度T正相关，所以*T
//注意这里移动可以左右移动，但是也可以单向移动
//关于rand()详细见开头注的①
dx = (Range_max*random.random() - Range_max) * T;
//让x落在定义域内，如果没在里面，就重新随机。题目有要求需要写，否则不用写
// ================
while(x > ? || x < ? ...) {
dx = (Range_max*random.random() - Range_max) * T;
}
// ================
//求出f(x1)的值
df = func(dx);
//这里需要具体问题具体分析，我们要接受更加优秀的情况。可能是df < f(比如求最小值）
if(f < df) {
f = df; x = dx; [...,y = dy;] // 接受，替换值，如果多个自变量，那么都替换
}
//否则概率接受，注意这里df-f也要具体问题具体分析。
//详细见开头注的②③
else if(exp((df - f) / T) > random.random()) {
f = df; x = dx; [...y = dy;] // 接受，替换值，如果多个自变量，那么都替换
}
//--------------
T = T * dT; //温度每次下降一点点， T * 0.99
}
//最后输出靠近最优的自变量x值，和函数值f(x)
print(x,f)
