🔥 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
- 模擬退火原理與實作 — 從冶金退火獲得靈感，解決 TSP 最佳化問題
- 遺傳演算法 — 選擇、交叉、突變，用演化找到最佳解
- Particle Swarm & Differential Evolution — 群體智慧的兩種經典方法
- 超參數調優應用 — 用 GA 與 SA 自動搜尋 ML 模型的最佳參數
- 實戰：最佳化求解 API — 整合所有演算法為通用最佳化服務
你將學到
- ✅ 模擬退火 (SA) 的原理與 TSP 實戰
- ✅ 遺傳演算法 (GA) 的選擇、交叉、突變完整流程
- ✅ Particle Swarm Optimization (PSO) 與 Differential Evolution (DE)
- ✅ 如何用元啟發式演算法進行 ML 超參數調優
- ✅ 將最佳化演算法包裝成 FastAPI 服務
- ✅ 何時該用 SA、GA、PSO 的正確判斷
適合誰
- 演算法愛好者：想了解 NP-Hard 問題的實用解法
- ML 工程師：需要自動調超參數
- 接案開發者：遇到排程、路徑規劃等最佳化問題
🔧 使用的技術
- 🐍 Python — 從零實作所有演算法
- 📈 Matplotlib — 視覺化收斂過程與 TSP 路線
- 🚀 FastAPI — 建立最佳化求解 API
- 🤖 Scikit-Learn — 超參數調優的評估基準
課程導覽：這堂課你會學到什麼？
元啟發式演算法（Metaheuristics）是解決複雜最佳化問題的通用策略——不保證找到最佳解，但在可接受的時間內給出「夠好」的答案。
課程內容
| 章節 | 演算法 | 靈感來源 | 適合問題 | |:----|:-----|:--------|:--------| | 第一章 | 模擬退火 SA | 金屬冶煉冷卻 | 連續參數最佳化 | | 第二章 | 基因演算法 GA | 達爾文物競天擇 | 組合最佳化、TSP | | 第三章 | 粒子群 PSO | 鳥群覓食行為 | 連續參數、神經網路 | | 第四章 | 超參數最佳化 | Bayesian 統計 | ML 模型調參 | | 第五章 | 最佳化 API | FastAPI 部署 | 生產環境整合 |
這些演算法沒有優劣之分——每種都適合不同類型的最佳化問題。學完這堂課，你就能根據問題特性選擇最合適的演算法。