一句话定义：模拟退火（Simulated Annealing）是一种允许自己暂时走坏棋的随机优化算法，模仿金属冷却的过程：先高温乱动，再慢慢降温定型，从而跳出局部最优、找到更靠谱的解。
打个比方
想象你在浓雾中的山区寻找最低的谷底，能见度只有几米。最省事的走法是“哪边下坡就往哪走”，这叫局部搜索或贪心策略：很快能走到某个坑底，然后无路可走，但这个坑可能离真正的最低谷差很远。
模拟退火换了个策略：起步时你精力充沛，允许自己往上坡走一段，明明变更差也照样接受，甚至接受得很随意；随着体力（温度）下降，你变得越来越挑剔，走坏棋的概率越来越小；到最后一阶段几乎只接受下坡，慢慢稳定在某个谷底。关键在于，正是前期那几步“不讲道理”的上坡，让你有机会翻出小坑，看到更大的世界。
机制
算法用一个“温度（temperature）”参数控制宽容度。新解比当前解更好就接受；更差也按概率接受，概率大约是 exp(-ΔE/T)：ΔE 是变差的程度，T 是当前温度。温度高时这个概率接近 1，几乎随机乱走；温度低时接近 0，退化成挑剔的下坡搜索。所谓“退火”，就是让 T 按一张降温表（cooling schedule）从大到小慢慢降。降得太快容易冻在坏地方，降得太慢又白费时间。
和相邻概念的区别
| 概念 | 接受更差的解 | 需要梯度 | 常见场景 |
|---|---|---|---|
| 局部搜索、贪心 | 否 | 不需要 | 简单问题快速出解 |
| 模拟退火 | 是，概率随温度递减 | 不需要 | 离散组合优化、黑箱调参 |
| 梯度下降 | 否 | 需要 | 可导的连续问题 |
| 随机重启 | 靠“重开一局”而非接受坏解 | 不需要 | 作为兜底手段配合使用 |
实际意义
对从业者：排班、装箱、路径规划、布局布线、超参数搜索这类“解是离散组合、目标函数是黑箱、梯度不存在”的问题，模拟退火是成本低也够用的经典方法。它不保证全局最优，结果带随机性，所以要固定随机种子、多跑几次取最好，降温策略也要按任务调；不同工具库的默认参数差别不小，具体以官方文档为准。
对普通职场人：它其实是“先发散、后收敛”的算法版本。写方案时先故意乱试几个方向，别急着锁定第一个看起来还行的想法；越到后期越收紧标准，只留下真正更好的那个。