“爬山”和“分支定界”搜索算法有什么区别？

Question

爬山搜索和分支绑定是人工智能中使用的两种启发式搜索算法。这两种方法有什么区别？

Answer 1

爬山搜索的工作原理是首先猜测解决方案，然后迭代地对其进行局部更改，直到找到解决方案或启发式陷入局部最大值。有许多方法可以避免卡在局部最大值中，例如并行运行多个搜索，或者概率性地选择后继状态等。在许多情况下，爬山算法会快速收敛到正确的答案。但是，这些方法都不能保证找到最佳解决方案。

分支定界解决方案的工作原理是将搜索空间切割成碎片，探索一块，然后根据每次搜索时获得的信息尝试排除搜索空间的其他部分。他们保证最终找到最佳答案，但这样做可能需要很长时间。对于许多问题，基于分支定界的算法工作得很好，因为少量信息可以迅速缩小搜索空间。

简而言之，登山并不能保证找到合适的答案，但往往跑得非常快并且给出了很好的近似值。分支和绑定始终找到正确的答案，但可能需要一段时间才能完成。

希望这有帮助！

Answer 2

爬山的工作原理如下： 使用修剪（这是一种简单的分支和绑定形式）的深度优先搜索工作方式如下：

分支和绑定通常不会扩展到1000+个变量和1000+个值。爬山确实如此，但gets stuck in local optima可以通过添加禁忌搜索来修复。