超越经典搜索 Beyond Classical Search
写在前面：超越经典搜索算法更接近现实世界，不再强求环境的确定性和可观察性。
一、爬山法
爬山法顾名思义，该算法求解就像人爬山一样，从低处(不太好的结果)一点点向高处(更好的结果)爬。
详细的解释：
- 在解空间随机初始化一个节点 current，其结果记为 VALUE[current]
- 比较 VALUE[current] 和其临近节点neighbor的结果 VALUE[neighbor]
- 如果VALUE[neighbor] > VALUE[current]，那么就将current的值替换为neighbor，否则就不换
这个算法的缺点就是，容易卡在局部最优。
二、模拟退火法 Simulated Annealing
这里不说太多长篇大论了，就简单说下原理：
为了解决爬山法容易卡在局部最优的问题，有什么解决办法呢？
模拟退火法的想法是当遇到VALUE[neighbor] < VALUE[current]时，以一定的概率接受交换(对于爬山法来说，他是不会交换这个点的)，其概率公式为：
p
(
x
)
=
α
e
E
(
x
)
k
T
p(x)= \alpha e^{\frac{E(x)}{kT}}
p(x)=αekTE(x)
VALUE[neighbor] > VALUE[current]时，就按正常的爬山法，反之，按一定概率接受后如果VALUE较之前降低了，那么概率就会呈指数级下降(T下降引起的)。
三、局部束搜索 Local Beam Search
内存总是有限的，只存一个节点又有些极端。局部束搜索是同时记录k个随机生成的状态，然后生成这k个状态的所有后继，若其中有目标状态则算法停止，否则从这些后继中选k个最佳后续，重复上述过程。
四、遗传算法 Genetic Algorithms
由于这部分有图，所以新开一个博客，请点击此处查看
892
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
