답변:
@nbro는 이미 Hill Climbing은 지역 검색 알고리즘 의 제품군이라고 말했다 . 그래서, 당신이 질문에서 Hill Climbing을 말할 때 나는 당신이 표준 언덕 등반에 대해 이야기하고 있다고 가정했습니다. 언덕 오르기의 표준 버전에는 몇 가지 제한 사항이 있으며 다음 시나리오에서 종종 중단됩니다.
이러한 문제를 해결하기 위해 다양한 언덕 오르기 알고리즘이 개발되었습니다. 이들은 가장 일반적으로 사용됩니다 :
언덕 오르기 알고리즘의 성공은 상태 공간의 아키텍처에 달려 있습니다. 최대 값과 고원이 거의 없을 때마다 언덕 오르기 검색 알고리즘의 변형이 매우 잘 작동합니다. 그러나 실제 문제에서는 평평한 바닥에 넓게 흩어져있는 대머리 고슴도치처럼 보이는 풍경이 있습니다. 각 고슴도치 바늘 끝에 미니어처 고슴도치가 살고 있습니다 (인공 지능 : 제 4 장에 설명 된 것처럼) 현대적인 접근). NP-Hard 문제는 일반적으로 지수 최대 수의 로컬 최대 값을 갖습니다.
이러한 종류의 문제를 극복하기 위해 주어진 알고리즘이 개발되었습니다.
참고서 -인공 지능 : 현대적 접근
언덕 오르기 는 알고리즘이 아니라 "로컬 검색"알고리즘 제품군입니다. "힐 클라이밍"알고리즘 범주에 속하는 특정 알고리즘은 2-opt, 3-opt, 2.5-opt, 4-opt 또는 일반적으로 N-opt입니다. 이러한 로컬 검색 알고리즘 (TSP에 적용)에 대한 자세한 내용은 " 여행중인 판매원 문제 : 로컬 최적화 사례 연구 "(David S. Johnson 및 Lyle A. McGeoch)의 3 장을 참조하십시오.
이 범주에서 한 알고리즘을 다른 알고리즘과 차별화하는 것은 그들이 사용하는 "이웃 함수"입니다 (간단히 말하면 주어진 솔루션에 대한 주변 솔루션을 찾는 방법). 실제로 이것은 항상 그런 것은 아닙니다. 종종 이러한 알고리즘에는 여러 가지 구현이 있습니다.
언덕 오르기 알고리즘의 가장 분명한 한계는 특성상 즉 지역 검색 알고리즘이기 때문입니다. 따라서 그들은 보통 지역 최대 값 (또는 최소값)을 찾습니다 . 따라서 이러한 알고리즘 중 하나가 이미 로컬 최소 (또는 최대)로 수렴하고 솔루션 또는 검색 공간 에이 찾은 솔루션에 더 가까운 더 나은 솔루션이 있으면이 알고리즘을 찾지 못할 것입니다 더 나은 솔루션. 그들은 기본적으로 갇힐 것입니다.
지역 검색 알고리즘은 일반적으로 단독으로 사용되지 않습니다. 그것들은 시뮬레이션 어닐링, 반복 지역 검색 또는 개미 콜로니 알고리즘과 같은 다른 메타 휴리스틱 알고리즘의 하위 루틴으로 사용됩니다. 따라서 한계를 극복하기 위해 우리는 일반적으로 이들을 단독으로 사용하지는 않지만 확률 론적 특성을 가지며 전역 최소값 또는 최대 값 (예 : 개미 식민지 알고리즘 중 하나)을 찾을 수있는 다른 알고리즘과 함께 사용합니다.