Sisältö
- Määritelmä - mitä mäki kiipeily tarkoittaa?
- Johdanto Microsoft Azureen ja Microsoft Cloud | Tämän oppaan läpi opit mitä pilvipalvelussa on kyse ja kuinka Microsoft Azure voi auttaa sinua siirtämään ja johtamaan yritystä pilvestä.
- Techopedia selittää mäki kiipeilyä
Määritelmä - mitä mäki kiipeily tarkoittaa?
Kiipeily on matemaattinen optimoinnin heuristinen menetelmä, jota käytetään ratkaisemaan laskennallisesti haastavia ongelmia, joilla on useita ratkaisuja. Se on paikalliseen hakuperheeseen kuuluva iteratiivinen menetelmä, joka alkaa satunnaisratkaisulla ja parantaa sitten iteratiivisesti ratkaisua yksi elementti kerrallaan, kunnes se saa aikaan enemmän tai vähemmän optimoidun ratkaisun.
Johdanto Microsoft Azureen ja Microsoft Cloud | Tämän oppaan läpi opit mitä pilvipalvelussa on kyse ja kuinka Microsoft Azure voi auttaa sinua siirtämään ja johtamaan yritystä pilvestä.
Techopedia selittää mäki kiipeilyä
Kiipeily on optimointitekniikka, jota käytetään "paikallisen optimaalisen" ratkaisun löytämiseen laskennalliseen ongelmaan. Se alkaa ratkaisulla, joka on erittäin huono optimaaliseen ratkaisuun verrattuna, ja sitten iteratiivisesti paranee siitä. Se tekee tämän luomalla "naapuri" -ratkaisuja, jotka ovat suhteellisen askel parempia kuin nykyinen ratkaisu, valitsee parhaan ja toistaa sitten prosessin, kunnes se saa aikaan optimaalisen ratkaisun, koska se ei enää löydä parannuksia.
Vaihtoehdot:
- Yksinkertainen - ensimmäinen lähin löydettävä solmu tai ratkaisu valitaan.
- Steepest nousu - Kaikki käytettävissä olevat seuraajat ratkaisut otetaan huomioon ja sitten valitaan lähin.
- Stokastinen - Naapuriratkaisu valitaan satunnaisesti, ja sitten päätetään siirrytäänkö eteenpäin ratkaisuun nykyisen solmun parannusmäärän perusteella.
Kiipeily tapahtuu toistuvasti - se suorittaa koko proseduurin ja lopullinen ratkaisu varastoidaan. Jos erilainen iterointi löytää paremman lopullisen ratkaisun, tallennettu ratkaisu tai tila korvataan. Tätä kutsutaan myös haulikkojen kiipeilyyn, koska se vain kokeilee erilaisia polkuja, kunnes se osuu parhaaseen, aivan kuten ampuma-ase on epätarkka, mutta saattaa silti osua maaliinsa ammusten laajan leviämisen vuoksi. Tämä toimii erittäin hyvin monissa tapauksissa, koska silloin kun osoittautuu, on parempi käyttää CPU-resursseja tutkimalla erilaisia polkuja kuin huolellisesti optimoimalla alkuperäisestä tilasta.