直白地讲,就是当目前无法直接到达最优解,但是可以判断两个解哪个更优的时候,根据一些反馈信息生成一个新的可能解。
-因此,爬山算法每次在当前找到的最优方案 $x$ 附近寻找一个新方案。如果这个新的解 $x'$ 更优,那么转移到 $x'$,否则不变。
+因此,爬山算法每次在当前找到的最优方案 $x$ 附近寻找一个新方案。如果这个新的解 $x'$ 更优,那么转移到 $x'$ ,否则不变。
这种算法对于单峰函数显然可行。
这里以一道(其实正解是高斯消元)适合爬山的好题[「JSOI2008」球形空间产生器](https://www.luogu.org/problem/P4035)为例。
-题意:给出 $n$ 维空间中的 $n$ 个点,已知他们在同一个 $n$ 维球面上,求出球心。$n \leq 10$ ,坐标绝对值不超过 $10000$ 。
+题意:给出 $n$ 维空间中的 $n$ 个点,已知他们在同一个 $n$ 维球面上,求出球心。 $n \leq 10$ ,坐标绝对值不超过 $10000$ 。
很明显的单峰函数,可以使用爬山解决。本题算法流程:
-1. 初始化球心为各个维度平均值,减少枚举量
-2. 对于当前的球心,求出每个已知点到这个球心欧氏距离的平均值。
-3. 遍历所有已知点。记录一个改变值 cans(分开每一维度记录)对于每一个点的欧氏距离,如果大于平均值,就把改变值加上差值,否则减去。实际上并不用判断这个大小问题,只要不考虑绝对值,直接用坐标计算即可。这个过程可以形象地转化成一个新的球心,在空间里推来推去,碰到太远的点就往点的方向拉一点,碰到太近的点就往点的反方向推一点。
-4. 将我们记录的 cans 乘上温度,更新球心,回到步骤 2
-5. 在温度非常小的时候结束。
+1. 初始化球心为各个维度平均值,减少枚举量
+2. 对于当前的球心,求出每个已知点到这个球心欧氏距离的平均值。
+3. 遍历所有已知点。记录一个改变值 cans(分开每一维度记录)对于每一个点的欧氏距离,如果大于平均值,就把改变值加上差值,否则减去。实际上并不用判断这个大小问题,只要不考虑绝对值,直接用坐标计算即可。这个过程可以形象地转化成一个新的球心,在空间里推来推去,碰到太远的点就往点的方向拉一点,碰到太近的点就往点的反方向推一点。
+4. 将我们记录的 cans 乘上温度,更新球心,回到步骤 2
+5. 在温度非常小的时候结束。
因此,我们在更新球心的时候,不能直接加上改变值,而是要加上改变值与温度的乘积。