爬山法：局部寻优搜索算法

爬山法：局部寻优搜索算法
遗传算法是优秀的全局优化算法，爬山法是一种局部寻优效果较好的搜索算法。

简单的来说，就在在一个初始目标位置附近，随机搜索看是否存在符合最终期望目标的位置。

有的话就替换原初始目标位置，然后在重复搜索，直到随机搜索一定次数后，都没有更好的目标位置为止。

专业一点的说法是这样：
首先在搜索空间随机选取一点作为进行迭代的初始点，然后在其邻域内随机产生一点，计算其函数值，若该点函数值优于当前点，则用当前点替换初始点作为新的初始点继续在邻域内搜索，否则继续在邻域随机产生另一个点与初始点进行比较，直到找到比其优秀一点或连续几次都找不到比其优秀的点则终止搜索过程。

举个例子：
A国部队进行战事训练，你作为其中一名优秀的狙击手，黑夜中，你被空降到一个山地中，现在你需要占据制高点，我们设定制高点是峰顶位置。

现在你手上唯一的武器就是一把狙击枪和一个海拔仪。

那么怎么在短时间内快速找到最近的制高点呢？你灵机一动一动动，想到了“爬山法”，于是你在距离当前降落位置A点的20米的东（A1）南（A2）西（A3）北（A4）四个方向上分别测试了海拔高度，选择其中海拔最大的位置（假设是东边的位置A1），这个时候，你在达到东边这个位置A1后，又测量了东南北三个方向相距A1点20米（这个20米称为步长）的位置（西边不用测量，因为你是从上一个A是在A1的西边），在进行确定往那个方向前进，在不断重复之后，当你发现其他方向的海拔都低于你这个位置的海拔的时候，你就可以认为，你当前处于至少在局部范围内是最好的制高点了。

这个时候，你看了一下表，用时3分钟，然后便开始伏地探测搜寻Target准备狙击了。

爬山法在处理单峰问题时可以快速收敛到局部最优点，但是多峰值问题有多个峰值点，用爬山法只能找到多个局部最优点之中的一个，不一定是全局最优点，因此将无法确定全局最优点。

尽管爬山法不能进行全局寻优，但是爬山法有传统的优化算法不具有的优势，就是爬山法可以处理不可微的单峰函数，因为爬山法通过在邻域内随机产生个体进行优化，不需要利用梯度，所以爬山法可以在遗传算法处理复杂问题时发挥局部寻优作用。