Simulerad glödgning är en datorteknik som kan hitta bra – men inte nödvändigtvis optimala – lösningar på ett problem. Den heter så för att den efterliknar den metallurgiska glödgningsprocessen. I metaller är glödgning processen för rening genom att värma metallen och sedan kyla den långsamt. Datorprogrammet ”renar” lösningsutrymmet tills allt som återstår är lösningar som är bäst eller nästan bäst.
Det finns två kritiska faktorer som användaren av ett simulerat glödgningsprogram måste specificera: starttemperaturen eller procentandelen sämre lösningar som kan utforskas; och kylningshastigheten, som är den hastighet med vilken den procentandelen reduceras. En låg starttemperatur kommer ofta att sluta med ett resultat långt ifrån optimalt. Att starta vid en mycket hög temperatur kan resultera i att sökningen tar mycket längre tid än nödvändigt. På samma sätt kommer en för hög kylhastighet att generera dåliga resultat, medan en mycket låg kylningshastighet resulterar i ett program som körs under mycket lång tid.
Tillståndet ”hög temperatur” för det simulerade glödgningsprogrammet är en inställning som gör att det kan titta på ett brett utbud av lösningar, inklusive många som är värre än lösningar som det redan har hittat. Datorn får titta på många lösningar som är sämre än den nuvarande lösningen för att undvika att hålla sig till ett lokalt minimum som är väsentligt sämre än det bästa. Som ett exempel kan man tänka sig att börja på toppen av en kulle eller ett berg med målet att nå basen. Längs vägen kan det finnas raviner eller klyftor. Om datorn inte kan gå tillräckligt långt i uppförsbacke för att ta sig ut kommer den att fastna trots att den inte är i närheten av basen.
Hur långt uppför backen programmet kan gå bestäms av andelen sämre lösningar som programmet får undersöka. Med tiden hittas successivt bättre lösningar och risken för en djup avgrund minskar, så andelen sämre lösningar som datorn kan utforska minskar. Att minska denna fraktion kallas för ”kylning”. När temperaturen når en förinställd andel – som inte behöver vara 0 – avslutas sökningen.
Anledningen till att använda simulerad glödgning eller andra artificiell intelligens söktekniker är att reducera till en hanterbar mängd den tid som behövs för att hitta en nästan optimal lösning. För många problem kan en uttömmande sökning – testning av varje möjlig lösning mot varandra möjlig lösning – ta månader eller år. Det mest kända alternativet till simulerad glödgning är genetiska algoritmer. Andra populära sökalgoritmer för artificiell intelligens inkluderar myrkolonioptimering, partikelsvärmoptimering, närmaste granne och Bayesianska klassificerare.