Ein probabilistisches globales Optimierungsverfahren, das den Lösungsraum durch zufällige Perturbationen erkundet und Änderungen gemäß einer temperaturabhängigen Wahrscheinlichkeit (Metropolis-Kriterium) akzeptiert, sodass schlechtere Züge anfangs akzeptiert werden können, um lokale Optima zu verlassen, während der Temperaturplan die Akzeptanz mit der Zeit reduziert, um sich auf Minima zu konzentrieren.

Prinzip

Die physikalische Temperierung nachahmen: Exploration durch einen Temperaturparameter steuern, der allmählich sinkt; Aufwärtsbewegungen mit Wahrscheinlichkeit exp(-ΔE/T) zulassen, um Energiebarrieren zu überwinden; theoretische Konvergenz gegen das globale Optimum bei entsprechend langsamem Abkühlplan.

Demonstration

Optimierung einer TSP-Instanz durch zufälliges Vertauschen zweier Städte (Nachbarschaftsoperation). Bei hoher Temperatur werden viele Vertauschungen akzeptiert, wodurch die Suche lokalen Zyklen entkommen kann; mit sinkender Temperatur werden weniger verschlechternde Vertauschungen zugelassen, die Suche verfeinert sich auf eine kostengünstige Tour. Bei kontinuierlicher Optimierung werden Parametervektoren gestört und gemäß der Metropolis-Regel akzeptiert.

Fehlanwendung

Zu schnelles Abkühlen (Temperatur fällt zu schnell) führt zu vorzeitiger Konvergenz in schlechten lokalen Minima; zu hohe Anfangstemperatur oder zu lange Läufe verschwenden Zeit; ungeeignete Perturbations- oder Nachbarschaftsoperatoren machen die Exploration ineffektiv.

Konsequenz

Eine flexible Heuristik, die viele lokale Minima überwinden kann und oft hochwertige approximative Lösungen in diskreten und kontinuierlichen Domänen findet; der Kompromiss sind stochastische Ergebnisse und hohe Empfindlichkeit gegenüber Abstimmung von Plan und Nachbarschaft.

Umkehrung

Gieriges Hill-Climbing, das nur Verbesserungen akzeptiert und daher leicht in lokalen Optima stecken bleibt, ohne probabilistisches Fluchtmechanismus.

Abgrenzung

Anwendbar auf sowohl diskrete als auch kontinuierliche Optimierungsprobleme, wenn eine Nachbarschaftsstruktur und eine Zielfunktion definiert sind; garantiert nicht das globale Optimum bei praktikablen Abkühlplänen, und die Effizienz hängt von Nachbarschaftsdefinition und Temperaturplan ab.

Semantische Spannung

Spannung zwischen Exploration (hohe Temperatur, große Schritte) und Exploitation (niedrige Temperatur, feine Schritte) sowie zwischen simulated annealing und populationsbasierten stochastischen Methoden (z. B. genetische Algorithmen), die andere Mechanismen zur Vielfaltserhaltung und Flucht verwenden.

Synthese

Simuliertes Abkühlen balanciert zufällige Exploration mit temperaturkontrollierter Akzeptanz, um Energiebarrieren zu überwinden und sich auf kostengünstige Regionen zu konzentrieren; mit geeignetem Plan und Nachbarschaftsdesign ist es eine robuste Heuristik für schwierige globale Optimierungsprobleme, aber die Ergebnisse sind stochastisch und abstimmungsanfällig.