參數控制
模拟退火算法的應用很廣泛，可以求解NP完全問題，但其參數難以控制。其主要問題有以下三點：
（1）溫度T的初始值設置問題。
溫度T的初始值設置是影響模拟退火算法全局搜索性能的重要因素之一、初始溫度高，則搜索到全局最優解的可能性大，但因此要花費大量的計算時間；反之，則可節約計算時間，但全局搜索性能可能受到影響。實際應用過程中，初始溫度一般需要依據實驗結果進行若幹次調整。
（2）退火速度問題。
模拟退火算法的全局搜索性能也與退火速度密切相關。一般來說，同一溫度下的“充分”搜索（退火）是相當必要的，但這需要計算時間。實際應用中，要針對具體問題的性質和特征設置合理的退火平衡條件。
（3）溫度管理問題。
溫度管理問題也是模拟退火算法難以處理的問題之一。實際應用中，由于必須考慮計算複雜度的切實可行性等問題，常采用如下所示的降溫方式：
T（t+1）=k×T（t）
式中k為正的略小于1.00的常數，t為降溫的次數
優缺點及改良方式
優點：計算過程簡單，通用，魯棒性強，适用于并行處理，可用于求解複雜的非線性優化問題。
缺點：收斂速度慢，執行時間長，算法性能與初始值有關及參數敏感等缺點。
經典模拟退火算法的缺點：
（1）如果降溫過程足夠緩慢，多得到的解的性能會比較好，但與此相對的是收斂速度太慢。
（2）如果降溫過程過快，很可能得不到全局最優解。
模拟退火算法的改進：
（1）設計合适的狀态産生函數，使其根據搜索進程的需要
表現出狀态的全空間分散性或局部區域性。
（2）設計高效的退火策略。
（3）避免狀态的迂回搜索。
（4）采用并行搜索結構。
（5）為避免陷入局部極小，改進對溫度的控制方式
（6）選擇合适的初始狀态。
（7）設計合适的算法終止準則。
也可通過增加某些環節而實現對模拟退火算法的改進。
主要的改進方式包括：
（1）增加升溫或重升溫過程。在算法進程的适當時機，将溫度适當提高，從而可激活各狀态的接受概率，以調整搜索進程中的當前狀态，避免算法在局部極小解處停滞不前。
（2）增加記憶功能。為避免搜索過程中由于執行概率接受環節而遺失當前遇到的最優解，可通過增加存儲環節，将一些在這之前好的态記憶下來。
（3）增加補充搜索過程。即在退火過程結束後，以搜索到的最優解為初始狀态，再次執行模拟退火過程或局部性搜索。
（4）對每一當前狀态，采用多次搜索策略，以概率接受區域内的最優狀态，而非标準SA的單次比較方式。
（5）結合其他搜索機制的算法，如遺傳算法、混沌搜索等。
（6）上述各方法的綜合應用。
