在每个降温周期中，接受劣解的概率随着温度的下降而逐渐降低，从而逐渐收敛到全局最优解。​ 研究发现，遗传算法可以用极快的速度达到最优解的90%以上，但是要达到真正的最优解需要花费很长时间，即局部搜索能力不足。约束条件写成g ( x ) ≤ 0 g(x)\le0g(x)≤0时，g gg如果不是凸函数，则不是凸优化问题。搜索速度快，参数设置容易，但是极其容易陷入局部最优解，因此一般需要使用期改进方法避免

（Genetic Algorithm）顾名思义，是一种基于自然选择原理和自然遗传机制的启发式搜索算法。该算法通过模拟自然界中生物遗传进化的自然机制（），将好的遗传基因（最优目标）不断遗传给子代，使得后代产生最优解的增加（后代还是会有一些差的结果）。在这个过程当中，交叉操作是优化的主要操作，而变异操作可以看成对种群的扰动。根据具体的问题我们构建适应度函数，并优化极值（可以是求最大值，也可以求最小值）