Python启发式算法中爬山法的讲解及解方程问题实战（超详细附源码）

àì夳堔傛蜴生んèń 2023-09-30 17:53 25阅读 0赞

## 一、启发式算法 ##

还有一类重要的迭代法，它的迭代关系式不依赖问题的数学性能，而是受某种自然现象的启发而得到，称为启发式算法（Heuristic Algorithm），如爬山法、遗传算法、模拟退火算法、蚁群算法等。

启发式算法是一种根据经验，以近似随机的试探来搜索空间的方法，它可以在可接受的计算成本内得到最好解，但不保证能得到最优解。

### 爬山法 ###

爬山法的思路很简单，它是从起点开始，对周边邻近点进行试探，如果有更好的解，则从该点开始进行新一轮的试探，直到没有更好的解为至。

爬山法好像人在黑夜里爬山，无法看到周边的情况，但可以通过棍子来试探周边上升的位置，然后到该位置再一次试探周边的位置。

爬山法可能跑到所谓的局部最优点，形象地说，就是可以爬到山峰，但不一定是最高的那座山峰。

下面介绍用爬山法来寻找上述方程的解。随机设置初始点，通过多轮迭代，程序能够搜索到接近方程的解的值，求解的精度和迭代的次数和初始点有关

大概迭代到500多次收敛

![c74c7ac6232745df99a857d0f249418d.png][]

![05eb59f6584f4a7e96ddc8f566a6cc93.png][]

代码如下

import random
    # 搜索步长
    delta = 0.001
    # 通过代入0和1，可估计出解在0和1之间
    BOUND = [0, 1]
    
    def f(x):
        return x**3 + (math.e**x)/2.0 + 5.0*x - 6
    
    def hillClimbing(x, f):
        times = 0
        print(str(times)+":"+str(x))
        while abs( f(x+delta) ) < abs(f(x)) and x+delta <= BOUND[1] and x+delta >= BOUND[0]:
            x = x + delta
            times += 1
            print(str(times)+":"+str(x))
        while abs( f(x-delta) ) < abs(f(x)) and x-delta <= BOUND[1] and x-delta >= BOUND[0]:
            x = x - delta
            times += 1
            print(str(times)+":"+str(x))
        return x
    
    x = random.random() * ( BOUND[1]-BOUND[0] ) + BOUND[0]
    x_value = hillClimbing(x, f)

下面将迭代过程可视化

![f3bde1cbf4a9454ea32bb88478cd218e.png][]

代码如下

import numpy as np
    import matplotlib.pyplot as plt
    x = np.linspace(0, 1, 100)
    y = f(x)
    plt.plot(x, y, color="red", linewidth=1)
    plt.show()

**创作不易 觉得有帮助请点赞关注收藏~~~**

[c74c7ac6232745df99a857d0f249418d.png]: https://img-blog.csdnimg.cn/c74c7ac6232745df99a857d0f249418d.png
[05eb59f6584f4a7e96ddc8f566a6cc93.png]: https://img-blog.csdnimg.cn/05eb59f6584f4a7e96ddc8f566a6cc93.png
[f3bde1cbf4a9454ea32bb88478cd218e.png]: https://img-blog.csdnimg.cn/f3bde1cbf4a9454ea32bb88478cd218e.png