Algorithm “与”的区别是什么；“爬山”；及；贪婪的；算法？

请解释“爬山”和“贪婪”算法之间的区别

---

似乎两者都很相似，我怀疑“爬山”是一种算法；这似乎是一种优化。这是正确的吗？

是的，你是正确的。爬山是一种通用的数学优化技术（见：）。贪婪算法是任何一种算法，它只是简单地选择它在当时看到的最佳选择并接受它

这方面的一个例子是在尽量减少硬币数量的同时进行更改（至少使用美元）。你取最高面额的硬币中的大部分，然后再取下最高面额的大部分，直到你达到所需的数量

---

这样，爬山就是一种贪婪算法。

爬山和贪婪算法都是可用于优化问题的启发式算法。在优化问题中，我们通常寻求一些问题元素的最佳组合或排序。给定的组合或顺序就是解决方案。在这两种情况下，都可以对解决方案进行评估，以将其与其他解决方案进行比较

在爬山启发式中，从初始解开始。生成一个或多个相邻解决方案。选择最好的并继续，直到没有更好的解决方案。这通常会产生一种解决方案。在爬山中，我们需要知道如何评估解决方案，以及如何生成“邻居”

在贪婪的启发式中，我们需要了解手头问题的一些特殊情况。贪婪算法使用信息生成单个解

优化问题的一个好例子是0-1背包。在这个问题中，有一个背包有一定的重量限制，还有一堆物品要放在背包里。每个项目都有一个权重和一个值。目标是使背包中物品的价值最大化，同时将重量保持在限制范围内

贪婪算法将拾取密度最高的对象并将其放入背包中，直到背包装满为止。例如，与砖块相比，钻石的价值高，重量小，因此我们将首先放入钻石

下面是一个贪婪算法失败的例子：假设你有一个容量为100的背包。您有以下项目：

• 钻石，价值1000，重量90（密度=11.1）
• 5枚金币，价值210，重量20（每枚密度=10.5）

贪婪算法将输入菱形，然后执行，给出1000的值。但最佳的解决方案是包括5枚金币，价值1050英镑

爬山算法将生成一个初始解——只需随机选择一些项目（确保它们在重量限制下）。然后评估解决方案，即确定值。生成一个相邻的解决方案。例如，尝试将一件物品换成另一件（确保您仍处于重量限制之下）。如果该值较高，请使用此选项并重新开始

---

爬山不是贪婪的算法。

你的结论听起来有误导性。您描述的特定贪婪算法贪婪地构造解决方案，而爬山启发式算法贪婪地达到局部最优。唯一的区别是，第一步中的贪婪步骤涉及构造一个解，而爬山中的贪婪步骤涉及选择一个邻居（贪婪局部搜索）。爬山是一种贪婪的启发。如果你想区分算法和启发式，我建议你阅读米科拉的答案，这更准确。