[G1-Sync] Manual knowledge update

10_Wiki/Topics/Simulated-Annealing.md

@@ -2,7 +2,7 @@
 id: MATH-OPT-SA-001
 category: "10_Wiki/💡 Topics/AI"
 confidence_score: 1.0
-tags: [math, optimization, simulated-annealing, heuristics, global-optimum, algorithm, stochastic-process]
+tags: [math, [[Optimization]], simulated-annealing, [[Heuristics]], global-optimum, algorithm, stochastic-process]
 last_reinforced: 2026-04-26
 ---
 
@@ -12,7 +12,7 @@ last_reinforced: 2026-04-26
 > "초기에는 뜨거운 열기(Randomness)로 지역적 최적해의 함정을 뛰어넘고, 서서히 식어가는 지혜(Cooling Schedule)를 통해 전역 최적해라는 완벽한 결정체를 형성하라" — 금속 공학의 담금질 원리를 모방하여, 복잡한 탐색 공간에서 지역 최적해(Local Optima)를 탈출하고 전역 최적해(Global Optimum)를 찾기 위한 확률적 최적화 기법.
 
 ## 📖 구조화된 지식 (Synthesized Content)
-- **추출된 패턴:** "Stochastic Exploration and Gradual Convergence" — 현재보다 좋지 않은 해(Solution)라도 온도($T$)에 따른 특정 확률로 수용함으로써 탐색의 범위를 넓히고, 시간이 흐름에 따라 온도를 낮춰 점점 정교하게 정답에 안착하는 패턴.
+- **추출된 패턴:** "Stochastic Exploration and Gradual Convergence" — 현재보다 좋지 않은 해([[Solution]])라도 온도($T$)에 따른 특정 확률로 수용함으로써 탐색의 범위를 넓히고, 시간이 흐름에 따라 온도를 낮춰 점점 정교하게 정답에 안착하는 패턴.
 - **핵심 메커니즘:**
     - **Temperature ($T$):** 탐색의 무작위성을 결정하는 변수. 초기에 높고 서서히 낮아짐.
     - **Metropolis Criterion:** 나쁜 해를 수용할 확률 $P = \exp(-\Delta E / T)$. 온도가 높을수록, 오차가 작을수록 나쁜 해를 더 잘 받아들임.
@@ -24,5 +24,5 @@ last_reinforced: 2026-04-26
 - **정책 변화:** Antigravity 프로젝트는 에이전트의 작업 스케줄링 최적화나 복잡한 지식 그래프의 클러스터링 초기값 설정 시, 지역 최적해 함정을 피하기 위해 시뮬레이티드 어닐링의 확률적 탐색 로직을 적용함.
 
 ## 🔗 지식 연결 (Graph)
-- [[Optimization-Algorithms]], [[Randomized-Algorithms]], [[Reinforcement-Learning]], Algorithm-Complexity-Analysis
+- [[Optimization-Algorithms]], [[Randomized-Algorithms]], [[Reinforcement-Learning]], Algorithm-Complexity-[[Analysis]]
 - **Raw Source:** 10_Wiki/Topics/AI/Simulated-Annealing.md