Python 爬山法举例

Python 爬山法，是一种优化算法，用于解决那些没有解析解的问题。其思路类似于登山，你从一个随机的出发点开始，然后在山上走动以找到一个较高的点。如果你可以找到的点比你现在所处的点更高，那末你就向那个点走去。重复这个进程，直到没有比当前点更高的点为止。

下面是一个简单的 Python 爬山法的实现。

import random
# 适应度函数
def fitness(solution):
return solution ** 2
# 爬山函数
def hill_climbing(max_iter=1000):
# 随机初始化解
current_solution = random.randint(0, 100)
# 循环迭代
for i in range(max_iter):
# 计算当前解的适应度
current_fitness = fitness(current_solution)
# 遍历所有可能的下一个解
next_solutions = [current_solution + step
for step in (⑴, 1)]
# 计算所有下一个解的适应度
next_fitnesses = [fitness(next_solution)
for next_solution in next_solutions]
# 找到下一个适应度最大的解
best_fitness = max(next_fitnesses)
best_index = next_fitnesses.index(best_fitness)
next_solution = next_solutions[best_index]
# 如果下一个解更好，那末更新当前解
if best_fitness >current_fitness:
current_solution = next_solution
# 返回终究的解
return current_solution

上面的代码使用了一个简单的适应度函数，它接受一个解作为参数，并返回该解的平方。你可使用其他的适应度函数，以适应区别的问题。

在爬山函数中，我们随机初始化解，并循环迭代，直到到达最大迭代次数。每次迭代，我们计算当前解的适应度，并遍历所有可能的下一个解。然后，我们选择适应度最大的那个解，并更新当前解，如果新的解比当前解更好。最后，我们返回终究的解。

爬山法其实不总是能够找到全局最优解，由于它仅仅跟随一个局部最优解。但是，它是一种快速而简单的优化算法。如果你遇到了某些没有解析解的问题，那末爬山法多是一个不错的选择。