4.3 局部搜索算法和最优化问题
我们已经讲过的搜索算法都是设计用来系统化地探索搜索空间的。它们在内存中保留一条或多条路径并且记录哪些是已经探索过的，哪些是还没有探索过的。当找到目标时，到达目标的路径同时也构成了这个问题的一个解。
然而在许多问题中，到达目标的路径是无关的。例如，在八皇后问题中（参见第3.2.1节），重要的是最终皇后的布局，而不是加入皇后的次序。这一类问题包括了许多重要的应用，例如集成电路设计，工厂场地布局，作业车间调度，自动程序设计，电信网络优化，车辆寻径，文件夹管理。
如果到目标的路径是无关的，我们将考虑不同种类的算法，这类算法根本不关心路径。局部搜索算法从单独的一个当前状态（而不是多条路径）出发，通常只移动到与之相邻的状态。典型情况下，搜索的路径是不保留的。虽然局部搜索算法不是系统化的，但是它们有两个关键的优点：（1）它们只用很少的内存——通常容量是一个常数；（2）它们经常能在不适合系统化算法的很大或无限的（连续的）状态空间中找到合理的解。
除了找到目标，局部搜索算法对于解决纯粹的最优化问题是很有用的，其目标是根据一个目标函数找到最佳状态。许多最优化问题不适合第三章中介绍的“标准的”搜索模型。例如，自然界提供了一个目标函数——繁殖适应性——达尔文的进化论可以被视为优化的尝试，但是这个问题没有“目标测试”和“路径耗散”。
为了更好地理解局部搜索，我们会发现考虑状态空间地形图（如图4.10所示）是很有用的。地形图既有“位置”（用状态定义）又有“高度”（由启发式耗散函数或目标函数的值定义）。如果高度对应于耗散，那么目标是找到最低谷——即一个全局最小值；如果高度对应于目标函数，那么目标是找到最高峰——即一个全局最大值。（我们可以通过插入一个负号使两者相互转换。）局部搜索算法探索这个地形图。如果存在解，那么完备的局部搜索算法总能找到解；最优的局部搜索算法总能找到全局最小值/最大值。
图4.10 一维空间的状态空间地形图，高度对应于目标函数。目标是找到全局最大值。如箭头所示，爬山法搜索修正当前状态并试图改进它。各种地形特征在教材中有定义
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
