Metropolis准则是一种用于随机搜索和优化算法中的准则，特别是在模拟退火算法中。它允许算法以一定的概率接受比当前解差的解，从而有助于算法跳出局部最优解，增加找到全局最优解的概率。
接受概率：
算法接受新解的概率与温度相关，温度越高，接受劣解的概率越大。
能量类比：
在模拟退火算法中，内能E被用来表示目标函数值f，温度T对应于控制参数t。
状态转移：
新状态是通过对当前状态进行微小扰动得到的，如果新状态的能量（目标函数值）更低，则总是被接受；否则，按照Metropolis准则以一定的概率接受。
温度演化：
温度随迭代过程逐渐降低，使得算法从较高的温度开始，逐渐收敛到较低的温度，在此过程中逐步找到最优解。
终止条件：
算法在达到预定的温度或迭代次数后终止，此时的当前解作为近似最优解。
Metropolis准则的应用不限于模拟退火算法，还可以用于其他需要随机搜索和优化的方法中，如Q学习等。
