得到 ， 例如 空間 曲線 填充 法 （ ＳｐａｃｅＦｉｌｌｉｎｇＣｕｒｖｅ ） （ ８ ） ， 最 近鄰 法 （ ＮｅａｒｅｓｔＮｅｉｇｈｂｏｕｒ ） 等等 ， 此 組態 是 具有 可 學習 性質 ， 所以 稱 它 為 Ｈｅｕｒｉｓｔｉｃ 〕 ， 接著 將 雛形 組態 看做 一 熱力學 系統 ， 再 利用 微 正則 系綜 蒙地卡羅 法 （ ＭｉｃｒｏｃａｎｏｎｉｃａｌＥｎｓｅｍｂｌｅＭｏｎｔｅＣａｒｌｏｍｅｔｈｏｄ ） （ ９ ） 去 決定 雛形 組態 所 對應 之 溫度 ， 最後 用 低溫區 模擬 退火 法 （ ＬｏｗＴｅｍｐｅｒａｔｕｒｅＳｉｍｕｌａｔｅｄＡｎｎｅａｌｉｎｇ ） （ １０ ） － （ １２ ） ， 使 雛形 組態 從 所 對應 之 溫度 開始 降溫 ， 其間 加入 參數 控制 在 低溫區 時 組態 變動 範圍 ， 如此 可 加速 求得 極值 。 使用 混合型 演算法 可 大幅 縮短 求 極值 的 時間 ， 藉著 參數 的 巧妙 選取 ， 甚至 可以 使 此 演算法 成為 線性 演算法 （ （ ｎ ） Ａｌｇｏｒｉｔｈｍ ） ， 其 精確度 也 可 達到 ３％－５％ 之內 。 目前 解 最 大 的 ＴＳＰ 問題 是 一百萬 個 均勻 分佈 的 城市 ， 費時 １ 秒 （ 若 用 傳統 模擬 退火 法 ， 至少 １０２２ 秒 以上 ） ， 而 所 得 之 最小值 也 在 理論值 的 ３％ 誤差 內 。 混合型 演算法 不僅 縮短