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 搜尋 極值 的 時間 ， 也 保留 了 類似 模擬 退火 法 的 一般性 ， 可以 讓 我們 將 此 演算法 應用到 不同 的 問題 上 。 另外 ， 混合型 演算法 也 可以 將 最佳化 問題 平行化 （ ｐａｒａｌｌｅｌｉｚｅｄ ） ， 得到 更 好 的 效率 。 六 、 最佳化 問題 的 應用 ‧ 不同 領域 的 專家 ， 發展出 許多 不同 的 演算法 來 解決 傳統 最佳化 問題 ， 甚至 將 這些 技術 應用 至 其他 方面 ， 例如 雷腦 晶片 、 元件 之 電路 設計 、 航空 公司 的