优化问题Optimization

优化技术特别擅长用于处理：受多种变量的影响，存在许多可能解的问题，以及结果因这些变量的组合而产生很大变化的问题。
优化算法的典型应用场景，存在大量可能的题解以至于我们无法对它们进行一一尝试的情况。
既然无法一一尝试，怎么做？

• 成本函数（The Cost Function）
  量化解的优劣，要求是函数返回的值越大，表示该方案越差。
• 随机搜索（Random Searching）
  很简单（tubie)的，随机选择解法计算代价成本，在这些随机选择结果中返回代价最小的解即可。
  缺点：低效，可能搜索不到最优解

#######random searching#####
def randomoptimize(domain,constf):
    best=999999999
    bestr=None 
    for i in range(5):
        r=[random.randint(domain[i][0],domain[i][1]) for i in range(len(domain))]
        cost=constf(r)
        if cost<best:
            best=cost
            bestr=r 
    return r

• 爬山法（Hill Climbing）
  爬山法基于贪心思想，以一个随机解开始，在其临近的解集中寻找更好的题解（具有更低的成本），类似于从斜坡上向下走，寻找陡峭下降的路。
  理解：得到的解也不一定是最优解，可能是局部的最优解，但和随机搜索相比高效得多。
  python代码如下：

#####hillclimb################
def hillclimb(domain,constf):
    sol=[random.randint(domain[i][0],domain[i][1]) for i in range(len(domain))]
    while 1:
        neigh