Artificial intelligence 爬山算法简单示例

我对爬山算法有点困惑。 我想“运行”算法，直到我在树中找到第一个解（“a”是初始状态，h和k是最终状态），它说状态附近的数字是启发值。这是树：

我的问题: 我试着在树上爬山，所以我们开始一个->f->g，然后什么？结束（没有结果），但我读到爬山不能回去做一个新的选择（例如j或e）？是这样吗？ 如果我能回去怎么办？我的意思是，当我们改变初始选择时，我们选择e而不是g，或者选择j而不是f

---

对不起，我的问题太简单了。

爬山不能保证不会陷入局部最小值/最大值。 然而，只有最纯粹的爬山形式才不允许你后退

---

一个简单的爬山即兴表演可以避免局部极小值问题（以牺牲更多的时间和记忆为代价）是禁忌搜索，在这里你可以记住以前的坏结果并有目的地避免它们

爬山时避免陷入局部极大值的一种常见方法是使用随机重启。在您的示例中，如果G是一个局部极大值，那么算法将停止在那里，然后选择另一个随机节点重新启动。因此，如果选择J或C（或者可能是A、B或D），你会在H或K中找到全局最大值。冲洗并重复足够的次数，你会发现全局最大值或接近的值；取决于时间/资源限制和问题空间

---

注意，像爬山这样的局部搜索是不完整的，不能保证找到全局最大值。当然，好处是它只需要一小部分资源。在实践中，并应用到正确的问题上，这是一个非常有效的解决方案。

爬山的问题之一是陷入局部极小值&这是当你达到F时发生的情况。爬山的改进版本（实际使用）是通过在搜索树中选择一个随机节点来重新启动整个过程&再次继续寻找最佳解决方案。如果再次陷入局部极小值，则必须使用其他随机节点重新启动。一般来说，你可以重新进行这个寻找最优解决方案的过程的时间是有限的。达到此限制后，您可以在过程中达到的所有局部最小值中选择最小值。虽然它还没有完成，但这一次有更好的机会找到全局最优解。

您可以尝试使用一种称为“防止搜索陷入局部极小值”的技术。本质上，在模拟退火中，有一个参数

T

，它控制你向次优邻域状态移动的可能性。如果

T

较高，则您更有可能向相邻州移动次优，从而在卡在该州时可能逃脱局部最小值，如果您使用正常爬山，则不会出现这种情况。

实际上，在爬山过程中，您通常不会回溯，因为您没有跟踪状态（这是局部搜索）你会远离一个极大值。回溯搜索和禁忌搜索都不能帮助回答这个问题：前者只会让你远离一个局部极大值，而后者则会阻止你重新访问同一个局部极大值。这两种方法都不能帮助你达到全球最大值泰森10月16日12点22分59分

---

“当你记得以前的坏结果并故意避免它们时”我不同意，你把好的解决方案也标记为禁忌，但你不想再次走同样的路

以下是解决方案：

A->F，成本最低F->G，成本为3，但没有路径

从G以外的最低成本重新启动，因为E已经插入到队列/堆栈/优先级队列或您使用的任何数据结构中

因此E->I，但I的成本比E高，因此您被卡住了：S

从F E&G以外的最低成本重新启动，因此我们选择J，因为J的成本比B低，相差2，即J=8 B=10

J->K，成本为0，因此K是目标

注意：建议的爬山变体是随机选择一个点，但选择除已访问节点以外的最小成本比随机选择要好

---

另一个注意事项是：当节点E没有访问I时，因为I的值高于E，算法已经将其插入数据结构中，因此，选择除已访问之外的最小成本将从I创建一个新路径，因为我从未访问过，因此它的值低于J，这是我跳过的唯一路径

根据纯爬山的路线将是 a->J->k 如果从左到右展开儿童的， 如果你把它们从右向左展开，你会得到这个局部极小值A->F->G，

---

但通常我们从左到右展开。

-有趣的是爬山是局部搜索。你需要定义州与州之间的某种邻居关系。通常这种关系是对称的。你有一个定向树，这让我想起了搜索树。这个问题把事情搞混了。实际上，在爬山中，你通常不会后退，因为你没有跟踪状态（这是本地搜索），你会偏离最大值。回溯搜索和禁忌搜索都不能帮助回答这个问题：前者只会让你远离一个局部极大值，而后者则会阻止你重新访问同一个局部极大值。这两种方法都不能帮助你达到一个全球最大值。“如果你记得以前的坏结果并故意避免它们”，我不同意，你把它们标记为禁忌也是好的解决方案，但你不想再次走同样的道路。在纯爬山中，扩展顺序并不重要。每一步，都会选择最低成本行动