如大家所了解的，模拟退火算法由 N. Metropolis 等人于 1953 年提出，简称 SA（Simulated Annealing）。它是对局部搜索算法的一种扩展，模拟了金属从高温降到低温的过程中，分子状态逐渐趋于稳定的过程。
退火是一种物理过程，当金属物体在加热至一定温度后，它的所有分子在其状态空间中自由运动，处于高能量状态。随着温度的下降，这些分子逐渐停留在低能量状态，此时结构趋于稳定。在退火过程中，所有的分子状态并不是完全相同的，而是有一定的概率处于高能量状态或低能量状态。温度越高，分子处于高能量状态的概率就越大；温度越低，分子处于低能量状态的概率就越大。
模拟退火算法便是基于这一点，它在寻找最优解的过程中，有概率的接受比当前最优解差一点的次等解，这个概率值随着搜索深度的增加逐渐减少。如果每一步都选择当前最优解，它就变成了贪心算法，而贪心算法极有可能陷入局部最优。模拟退火算法接受次等解的过程中，随着搜索深度的增加，次等解有概率超过局部最优解，从而跳出局部最优，获得全局最优解。
美中不足的是，模拟退火算法为了获得全局最优解，要求较高的初始温度，要求退火的速度足够慢，要求较低的终止温度和各种温度下足够多次的抽样，这就使得优化过程长，特别是对于规模大的实际问题。因此，优化效率不高是标准模拟退火算法的主要缺点。其次，由于模拟退火算法对初始温度很敏感，参数的选择也是应用该算法的难题之一。