我在一个景观上同时进行梯度上升和爬山，以评估哪一个可以在更少的步骤中达到最大高度。我的测试结果是，与梯度上升相比，爬山总是能以更少的增量达到更高的高度。这背后的原因是什么。因为我认为梯度上升会更有效。有没有人对这些算法有经验，可能对结果有话要说。

谢谢你。

我有一个值列表，这些值增加到最大值然后再次减小（这是观察到的高斯/钟形分布）。

但分布也可以改变：

或类似地：

在此特定应用程序中，确定特定索引处的值非常昂贵，因此使用尽可能少的数组查找非常重要。

诸如爬山或二进制搜索的变体之类的解决方案应该可以工作。步骤最少的算法是什么？

长查找时间是由于真实世界的测量设备（时间以秒为单位）。

在 1 维的爬山中，我尝试了两个邻居 - 我当前点左侧的一个小增量和一个右侧的小增量，然后保留提供更高目标函数值的那个。如何将其扩展到 n 维空间？如何为 n 维空间定义邻居？我是否必须尝试 2^n 个邻居（应用于每个维度的增量）？

根本没有打印与上面的行相同的输出，我不知道为什么会这样，我注意到它正在从末尾向后打印最后 N 个数字，无论我输入到参数中的任何内容，它都会在一秒钟内打印该数量时间。

这是主要的

这是 ScalesSolution 类

这是 randomOther 类

这是输出的问题：

我相信两个输出应该是相同的，我看到这里有问题，不知道为什么他们不是

我正在开发一种基于爬山算法的算法，但使用一种方法来克服寻找局部最优解的问题。与模拟退火等将随机性引入搜索位置的方法不同，我尝试将随机性引入搜索空间。该算法的描述如下。我的问题是：文献中是否有这种（类型）算法的名称，之前是否对其进行过研究？

说明

虽然我正在研究多维问题，但以下是算法的 2D 视觉表示

首先，如上所述，使用爬山算法（在这种情况下是为了最小化一个值）。这当然有进入局部最小值的问题。此时，我改变了具体参数的评估，所以我的搜索空间形状发生了变化。然后，我的爬山算法将使用缩放的（橙色+蓝色）值，而位置的实际值将由其原始（蓝色）值确定。因此，在缩放之后： 最终我们达到了一个新的局部最优值（当查看蓝色+橙色值时）。尽管这不是蓝色+橙色时的全局最优值，但它是（在此示例中）蓝色时的全局最优值，这是我们试图最小化的值。

我正在从一本书中学习人工智能，这本书模糊地解释了我将在这里发布的代码，我假设是因为作者假设每个人都曾经体验过爬山算法。这个概念相当简单，但我只是不理解下面的一些代码，我希望有人能在我继续之前帮助我更清楚地理解这个算法。

我在最让我困惑的部分旁边发表了评论，总结这些行的作用对我很有帮助。

此外，这本书没有说明这是什么类型的爬山。我认为这是基本的爬山，因为它卡住时不会重新启动？

我需要一些帮助来让随机发生器为我的代码工作。我正在为一个学校项目研究爬山算法。该算法仅适用于我不知道如何使它添加随机产品（它需要访问的位置。）

这里是主要课程。如果我必须再提供，请随时询问，我会的。

这是应该能够填充/替换 ArrayList 的随机发生器

这两种算法都会不断生成随机邻居，并在遇到比当前状态更好的邻居时进行选择。那么区别在哪里呢？

处处提到，First Choice Hill Climbing适用于有很多后继者的情况。但实际上，有什么区别？

另外，在链接中：

随机爬山算法与首选爬山算法

提到第一选择选择第一个随机移动，而随机选择随机给出的移动。仍然看不到实现差异。请帮忙。

所以我对整个进化和遗传算法世界还很陌生，我现在正在编写一个优化数组并返回最佳解决方案的过程——适应度。

我现在的算法是通过模拟退火优化的，我可以改变冷却速度和起始温度来改变人口的压力和多样性，得到不同的结果，效果很好。我的问题是，在一种算法中使用两种不同的本地搜索是否可行？例如，假设我将迭代次数限制在 5000 次。是否值得使用 4000 进行模拟退火，然后将剩余的 1000 用于爬山本地搜索，以从第一次本地搜索中找到的值中找到最佳解决方案？还是在一种算法中使用两种不同的本地搜索只是不标准的做法？我是这个编程世界的新手，所以我愿意接受任何建议！

我有一个浮点数x，它以某种概率[1, 500]生成一个二进制文件。而且我正在尝试找到可以产生最多或最高的那个。我假设只有一个最大值。y1px1p

是否有一种算法可以快速收敛到x最高值p，同时确保它在达到最优值的 0.1% 范围内后不会跳跃太多x？具体来说，如果它在接近 < 0.1% 的最佳值时稳定，那就太好了x。

我知道我们可以通过模拟退火来做到这一点，但我认为我不应该对温度进行硬编码，因为当x可能来自[1, 3000]或p分布不同时，我需要使用相同的算法。