模拟退火算法是一种常见的演化算法之一，在单目标优化中有着不错的效果，适合我们将其应用在路径优化、数值模拟、参数优化等研究中。

首先，我们来了解一下模拟退火算法的原理步骤（该原理步骤是基于无种群思想）

模拟退火算法的原理：

 输入：温度T、退火控制参数k、初始点x0

输出：最优的自变量值、最大/最小值

（1）给定初始值温度T，退火控制参数k，初始点x0(该点为随机选择点),并计算f(x0)

（2）随机产生扰动r=(2*rand-1)*delt;新店x1=x0+r,同时计算f(x1)、f(x1)-f(x0)

 (3) Metropolis准则，若f(x1)-f(x0)>0,接受该点（更新x0），且接受概率为p=exp(-(f(x1)-f0)/T)，若p>r(r为0-1上的随机数)，接受该点（更新x0），否则放弃该点

（4）执行降温操作：T=T*k;返回（2）继续

（5）执行上述步骤，结束
 

但是面对多维的单目标测试函数时，很多人就不知道该如何处理了。这时，需要根据多元函数的每一决策变量的范围而设置初始点，也就是此时的初始点随着维数增加。

假如是一元测试函数y=f(x)时，x0=a; 假如是二元函数y=f(x1,x2)时，x0=[a,b],依此类推。当面对每一决策变量的取值范围不同时，对应的初始化x0的代码对应的修