退火进化算法(annealing evolution algorithm, AEA)，别名是遗传模拟退火算法，混合模拟退火算法。其综合了SA和GA算法，优势互补，发挥SA局部搜索能力和GA全局搜索能力，克服SA全局搜索能力差及效率不高的问题和GA局部搜索能力差及其早熟现象。
退火进化算法介绍
退火进化算法(annealing evolution algorithm, AEA)，别名是遗传模拟退火算法，混合模拟退火算法。其综合了SA和GA算法，优势互补，发挥SA局部搜索能力和GA全局搜索能力，克服SA全局搜索能力差及效率不高的问题和GA局部搜索能力差及其早熟现象。
退火进化算法概念
退火进化算法(annealing evolution algorithm, AEA)
别名：遗传模拟退火算法，混合模拟退火算法
遗传算法（GA)模拟退火算法（SA）是人工智能中用于解决组合优化问题的经典算法，
但是，SA 在全局搜索能力方面不足，GA 在局部搜索能力方面不足。而退火进化算法
(annealing evolution algorithm, AEA)综合了SA和GA算法，优势互补，
发挥SA 局部搜索能力和GA 全局搜索能力,克服SA 全局搜索能力差及效率不高的问题
和GA 局部搜索能力差及其早熟现象。
AEA把SA算法与GA结合在一起，通过变异与选择不断改善解群体，并行搜索解空间，
从而有可能更迅速地找到全局最优解。由于在选择中采用Metropolis准则，
因而保留了SA算法易跳出某局部极值“陷阱”的优点，易于向全局极小值快速收敛。
退火进化算法算法过程
(1)初始化进化代数计数器k←0，随机给出种群P(k)初值，给定初试退火温度T0。
(2)评价当前群体P(k)的适应度。
(3)个体交叉操作（附带保优操作）： P(k)’←Crossover。
(4)个体变异操作（附带保优操作）： P(k)”←Mutation。
(5)由SA状态函数产生新个体。
(6)个体模拟退火操作(Metropolis准则接受新个体)： P(k)”’←SA。
(7)判断SA抽样是否稳定，若不稳定，则返回(5)；若稳定，则往下执行退温操作T←T’
(8)个体复制操作，由择优选择模型保留最佳种群：P(k+1)←Reproduction。
(9)终止条件判断，若不满足终止条件，则k←k+1,转到(2)；若满足终止条件，
则输出当前最优个体，结束算法。
