🔥 模擬退火與遺傳演算法

現實中的很多最佳化問題（如 TSP、排程、神經網路架構搜尋）是 NP-Hard 的。當問題規模變大，精確求解器需要數年才能找到最佳解。

元啟發式演算法 (Metaheuristics) 不保證找到最佳解，但能在合理時間內找到「夠好」的解。

🔥 Vibe Coding 核心 Prompt

【模擬退火詠唱範例】 「請幫我用 Simulated Annealing 解決 TSP： 1. 隨機產生 50 個城市座標。 2. 初始溫度 T=1000，冷卻率 alpha=0.995。 3. 每次迭代隨機交換兩個城市順序產生新解。 4. 如果新解更短就接受，如果更長則以 exp(-delta/T) 機率接受。 5. 當溫度 < 0.01 時停止。 6. 用動畫顯示路線如何逐步最佳化。」

🎯 課程大綱

1. 模擬退火原理
2. TSP 實戰
3. 遺傳演算法：選擇、交叉、突變
4. 超參數調優應用
5. 混合策略與實戰比較