实用优化算法（二）Hill Climbing

上一篇我们学习了共通启发式演算法：从一个（或多个）初始的一般性候选结果开始，迭代修改（或合并）候选结果。

我们应该如何最简单的实现这个思想呢？

登山算法

登山算法（Hill Climbing Algorithm）： 是一个解决优化问题的局部搜索算法，通过不停地迭代从一个候选结果向另一个候选结果“移动”直到终止条件满足。

1. publicclass HC<G, X>extendsOptimizationAlgorithm<G, X>{
2. public HC(){
3. super();
4. }
5. @Override
6. publicIndividual<G, X> solve(finalIObjectiveFunction<X> f){
7. Individual<G, X> best, pnew;
8. best= new Individual<G, X>();
9. pnew= new Individual<G, X>();
10. //随机创建候选结果best，并将其初始化为当前最优结果
11. best.g= nullary.create(this.random);
12. best.x= this.gpm.gpm(best.g);
13. //由Termination函数决定终止条件
14. while(!(this.termination.shouldTerminate())){
15. //修改当前最优结果best，并将其传递给新的候选结果pnew
16. pnew.g= this.unary.mutate(best.g,this.random);
17. pnew.x= this.gpm.gpm(pnew.g);
18. pnew.v= f.compute(pnew.x);
19. //通过目标函数f比较修改后的pnew是否比best好一点
20. //如果比修改前好，那么将当前其赋值给当前最优结果best
21. if( pnew.v<= best.v){
22. best.assign(pnew);
23. }
24. }
25. //返回最优结果
26. return best;
27. }
28. }

登山算法存在的问题

登山算法每次都通过搜索空间朝一个更好地候选结果“移动”。那么每次都朝一个更好的方向移动会发生什么问题呢？

通过上图我们可以看到： 如果不能够探索搜索空间内的其他部分，优化算法会过早的朝一个局部优化融合。在空间内的其他部位会有更有的结果我们将无法找到！

总结

现在我们已经实现了一个简单的共通启发式演算法！它好吗？这个问题我们将在后面探讨！