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。
兔子清醒的过程就是降温过程，在爬山的时候会不断减小之。
-关于降温：一般而言降温参数设定在 0.985-0.999，是略小于 1 的常数。
+关于降温：降温参数是略小于 $1$ 的常数，一般在 $[0.985, 0.999]$ 中选取。
-# 例 1 球形空间产生器
+### 例 1 球形空间产生器
-这里以一道（其实正解是高斯消元）的适合爬山的好题[LuoguP4035\[JSOI2008\]球形空间产生器](https://www.luogu.org/problem/P4035)为例
+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，已知他们在一个 N 维球上，求出球心。n<=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，可以使用爬山结局。本题算法流程：
+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
+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。
-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，而是要乘上温度。
+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。
并不是每一道爬山题都可以具体地用温度解决，这只是一个例子。
* * *
-# 例 2 吊打 XXX
+### 例 2 吊打 XXX
此处代码以[「BZOJ 3680」吊打 XXX](https://www.lydsy.com/JudgeOnline/problem.php?id=3680)（求 $n$ 个点的带权类费马点）为例。
OSDN Git Service
