-
爬山搜索与贪心最佳优先搜索算法类似,是一个标准的迭代改进算法。爬山搜索的主要问题是什么?
- 容易陷入局部最优解。由于爬山法只沿着梯度方向搜索,当某个状态优于其所有相邻状态时,则认为找到了解。实际上该解可能不是全局最优解。
- 遇到平台时无法处理。当某个状态的所有相邻状态都与该状态的评价值相同时,则无法确定要搜索的最佳方向,会产生随机扰动,使搜索效率降低。
- 遇到山脊时无法处理。当搜索空间中存在多个局部最优解时,搜索可能会被困在局部最优解之间,导致无法找到全局最优解。
-
描述模拟退火搜索。描述模拟退火搜索算法与局部搜索的区别和联系。
模拟退火算法模拟了物质的退火过程,通过不断降温逐步减少系统的能量,以达到稳定状态,在这一过程中,偶尔允许系统跳到能量较高的状态,以避开局部极小点,最终稳定到全局极小点。
模拟退火算法的一般实现步骤:
- 随机产生初始解,设定初始温度,设置降温策略,确定指标函数(能量函数)。
- 在温度 T 下进行多次迭代,每次迭代随机生成一个邻域解,如果邻域解更优,则接受该解。否则,以一定的概率接受该解,这个概率随温度降低而减少。
- 降温并判断是否达到终止条件,否则转2。
- 得到最终解。
模拟退火搜索算法与局部搜索的区别和联系:
联系:二者都是通过随机构建初始解,在邻域内生成新解,判断解的信息,不断调整,以达到最终解。模拟退火算法可以看作是局部搜索算法的改进。
区别:局部搜索算法主要针对目标函数局部最优解的问题,每次迭代都会更新当前搜索到的最优解,直到不能再找到更优解为止(邻域解集为空)。局部搜索算法具有快速收敛和高效性的优点,但容易陷入局部最优解,可能无法找到全局最优解。
模拟退火算法允许以一定的概率接受劣解以跳出局部最优解,并逐渐降低接受劣解的概率,直到最终找到全局最优解或达到终止条件。
【人工智能】习题——不确定搜索
于 2023-05-25 23:32:01 首次发布