随机优化算法---爬山法VS模拟退火法

随机优化算法–爬山法VS模拟退火算法

随机优化算法，由于开始和过程都是随机的数值，所以每次产生的结果都不一样。但大致收敛方向是一致的。
爬山法是一种局部最优的算法（本质上属于贪心法），也属于启发式的方法，它一般只能得到局部最优解。采用启发式方法，是对深度优先搜索的一种改进，它利用反馈信息帮助生成解的决策。当优化的问题的局部最优解即为全局最优解时可以用此方法来求最优问题，否则可以考虑多次爬山法或者其他的方法如遗传算法和模拟退火法。

一、爬山算法

（1）爬山算法即是模拟爬山的过程，随机选择一个位置爬山，每次朝着更高的方向移动，直到到达山顶，即每次都在临近的空间中选择最优解作为 当前解，直到局部最优解。这样算法会陷入局部最优解，能否得到全局 最优解取决于初始点的位置。初始点若选择在全局最优解附近，则就可能得到全局最优解。

（2）爬山过程

function HILL-CLIMBING(problem) returns a state that is a local maximum
inputs: problem, a problem
local variables: current, a node
neighbor, a node
current <- MAKE-NODE(INITIAL-STATE[problem])
loop do
neighbor <- a highest-valued successor of current
if VALUE[neig