MIP启发式算法：爬山算法 (Hill climbing)

本文主要记录和分享学习到的知识，算不上原创。

*参考文献见链接。

本文讲述的是求解MIP问题的启发式算法中的爬山算法 (Hill climbing)。

目录

　　前言

　　Hill climbing 的过程

　　Hill climbing 的伪代码

　　Hill climbing 的不足

前言

爬山算法是以local search为核心框架的启发式算法中最简单的算法，当然，结果一般也不太好，因为爬山算法有一个很大的缺点：不能跳出局部解。

就像我们在local search那篇文中提到，以local search 为框架的启发式算法需要综合考虑到算法的两个方面，即intensification和diversification。爬山算法在diversification这一方面没有任何措施，所以导致不能跳出局部最优解。

所以对于可能拥有若干个（数目还很多）的MIP问题，仅仅依靠爬山算法，效果是比较差的。所以大部分情况下也不会考虑仅使用爬山算法。

但是爬山算法作为local search中最简单的算法，理解爬山算法有助于进一步理解local search。

爬山算法的联想词：局部最优、深度搜索

 Hill climbing的过程

 由于hill climbing是以local search为框架的，所以其算法过程也是很类似的。

首先，我们先摆出local search的过程：

（1） 生成初始解：算法从一个初始解或若干个初始解出发；

（2） 定义邻域和候选解：定义解的邻域，并产生若干个候选解；

（3） 确定新解：从候选解中确定新解；

（4） 迭代：重复上述搜索过程，直至满足终止条件，期间可能伴随着参数的调整。

再一一对应local search的过程，将其中一些元素具体化，即可得到hill climbing的过程：

（1）  生成初始解：算法从一个初始解开始。初始解可以随机生成，也可以是给定的。

（2）  定义领域和候选解：定义解的邻域和候选解。不同的爬山算法会考虑不同的邻域结构。

（3）  确定新解：选出候选解中的最优解，如果最优解大于当前解，则将该局部最优解作为新解；

（4）  迭代：重复上述搜索过程，直至满足终止条件。终止条件可以是时间、迭代次数，也可能是当前解不能进一步优化了。

Hill climbing的伪代码

Hill_Climbing algorithm for minimization problem

Procedure HillClimbing()
    x:=getInitial(); //get initial feasible solution x
    while(the stopping condition is not reached)
        x'=localSearch(N(x)); //select the optimal solution from the neighborhood of x as x'
        if(c'x'<=c'x)
            x:=x'
        else
            return x
　　end

 

Hill Climbing的不足

 Hill Climbing的缺点主要表现在不能跳出局部最优解。

转载于:https://www.cnblogs.com/liuyingsme/p/9858523.html