算法篇贪心算法介绍——基于Python实现的爬山算法

Posted 2021-04-06 猿小记

“爬山算法是一种简单的贪心搜索算法，用于求解局部最优问题”

在小白心中，算法界有四种基础算法，其分别为贪心算法、递归算法、动态规划算法、枚举算法。后世的很多算法都或多或少的采用或借鉴这四种算法中某一种或几种的思想。在这一部分我们将一起学习一些与贪心算法有关的启发式方法。

本文目录：

• 一、爬山算法简介

• 二、爬山算法的Python实现

一、爬山算法简介

    爬山算法是一种简单的贪心搜索算法，是一种用于求解局部最优的算法，是深度优先搜索算法的一种改进，属于人工智能算法的一种。该算法一般从一个随机的解开始进行，每次从当前解的临近解空间中选择一个最优解作为当前解，直到达到一个局部最优解。其主要思想如下图所示：

    该算法的特点有：实现简单、效率高，但在处理大规模多约束问题时可能会陷入局部最优解，此时的解决方案往往不是最好的。如下图所示，若初始随机解选择在了C点，那么在局部搜索时算法到A点就会终止，因为此时在A点无论向哪个方向小幅度移动都不能找到更大的点。

    

二、爬山算法的Python实现

    设方程    ，   是区间   中的整数，   是区间   中的整数，   是区间   中的整数。使用爬山法，找到使得   取值最小的解。实现代码如下：

 1import random
 2def evaluate(x1, x2, x3):
 3    return x1+x2-x3
 4
 5h=1
 6if __name__ == '__main__':
 7    x_range = [ [-3, 5], [1, 6], [-6, 2] ]
 8    best_sol = [random.randint(x_range[0][0], x_range[0][1]),
 9                random.randint(x_range[1][0], x_range[1][1]),
10                random.randint(x_range[2][0], x_range[2][1])]
11
12    while True:
13        best_evaluate = evaluate(best_sol[0], best_sol[1], best_sol[2])
14        current_best_value = best_evaluate
15        sols = [best_sol]
16
17        for i in range(1,len(best_sol)):
18            if best_sol[i-1] > x_range[i-1][0]:
19                sols.append(best_sol[0:i-1] + [best_sol[i-1]-1] + best_sol[i:])
20            if best_sol[i-1] < x_range[i-1][1]:
21                sols.append(best_sol[0:i-1] + [best_sol[i-1]+1] + best_sol[i:])
22
23        print(sols)
24        for s in sols:
25            el = evaluate(s[0], s[1], s[2])
26            if el < best_evaluate:
27                best_sol = s
28                best_evaluate = el
29        if best_evaluate == current_best_value:
30            break
31
32    print ('best sol：', current_best_value, best_sol)

    下图为某次运行后的结果，因为是从随机解开始，所以会有很多种不同的结果。该次运行结果为   ，最后的最小值为-1。

本次学习就到这里啦，感谢您的阅读~ 

希望这篇文章能帮助到您！我是猿小白，关注我，一起学习更多有趣的知识~