【人工智能】习题——不确定搜索

1. 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？

   1. 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。
   2. 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。
   3. 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。

2. 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：

   1. 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）。
   2. 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。
   3. 降温并判断是否达到终止条件，否则转2。
   4. 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。