原文：
www.kdnuggets.com/2022/07/introduction-hill-climbing-algorithm-ai.html
在人工智能、机器学习、深度学习和机器视觉中，算法是最重要的子集。借助这些算法，(What Are Artificial Intelligence Algorithms and How Do They Work, n.d.) 计算机、系统或模型能够理解用户希望处理的信息类型以及用户希望在理解周围一些工作的基础上得到的结果。这些算法在人工智能中非常重要，因为计算机或模型将根据这些算法进行训练，并能够训练提供给它的数据。这些算法的一个最常见的例子可以在 Alexa、Siri 或 Google Home 中找到。用户与它们的互动越多，它们的搜索结果可能变得更好，因为它们能够通过观察用户的歌曲收藏、兴趣、喜好和厌恶来感知环境中的输出和用户的情绪。通过这些因素，这些代理的观察变得非常强大，因为它们与用户的互动更加频繁。因此，显而易见的是，它们安装了非常强大的算法，帮助它们自我训练。有一些非常重要且频繁使用的算法，包括随机森林、逻辑回归、朴素贝叶斯和人工神经网络。(Top 6 AI Algorithms In Healthcare, n.d.)
1. 谷歌网络安全证书 - 快速进入网络安全职业生涯
2. 谷歌数据分析专业证书 - 提升您的数据分析技能
3. 谷歌 IT 支持专业证书 - 支持您的组织在 IT 领域
解决数学问题的AI中最常见的算法是爬山算法（理解人工智能中的爬山算法 | 工程教育 (EngEd) 计划 | 部分，n.d.）。该问题也可以用于工作调度、市场营销、广告开发和预测性维护。这是一种启发式技术，简单来说，爬山算法基本上是一种搜索技术或有信息的搜索技术，基于分配给不同节点、分支和目标的实际数值权重。基于这些数字和在 AI 模型中定义的启发式，搜索可以变得更好。与爬山算法相关的主要特点是其大输入效率和更好的启发式分配。
图 1. 直观理解爬山算法（介绍爬山算法 | 人工智能 - GeeksforGeeks，n.d.）
从图 1 可以明显看出，爬山算法依赖于两个组件，一个是目标函数，另一个是状态空间。当前状态是代理当前所在的搜索状态。局部最大值是另一个面向目标的解决方案，但不是优化的搜索结果。为了获得更好的结果，模型必须达到全局最大值点，以提高准确性和精度。（介绍爬山算法 | 人工智能 - GeeksforGeeks，n.d.）。以上图中显示的每个点的简要介绍如下。
-
局部最大值是前面讨论的状态，这个状态明显优于当前状态，但系统中存在比局部最大值更好的状态。
-
全局最大值，如图所示，是最佳状态，没有比这个状态更好的状态。
-
山脊是高于其邻居但有向下坡度的区域。
-
当前状态，顾名思义，是代理目前停留或检查的状态。
-
肩部是上坡上的一个点。（Skiena，2010）
这种算法有很多种类型，以下是其中的一些。
这种爬山算法的工作原理非常简单。它从当前节点的邻居那里收集数据，并检查每个节点。通过这个简单的过程，下一步即将到来的成本可以被优化，从而节省了最少的时间。
这是一种爬山算法，但比最简单的算法更好。它像前面的技术一样检查所有相邻的节点，但它对相邻的节点赋予权重或启发式，并基于最小成本解决方案的技术找到最短路径，并通过该技术实现目标。它们检查那些接近解决方案的节点。
这与之前讨论的技术完全相反。在这种技术中，代理不会寻找相邻节点的值。它完全随机地选择相邻节点，前往该节点，并根据该特定节点的启发式来决定是否继续这条路径。（Russell & Norvig, 2003）
爬山法的一些优势如下。(人工智能中的爬山法 | 爬山算法的类型，无日期)
-
在解决如工作搜索、销售技巧、芯片设计和管理等问题时，这是一种非常有用的技术。
-
当用户计算能力非常有限时，他可以使用这种技术来获得更好的结果。使用这种技术不需要外部内存或云计算，因为它需要的计算能力非常少。
-
代理朝着优化成本的目标方向移动。
-
该算法根据反馈改进模型，使系统逐渐变得更好。
-
使用这种算法不会发生回溯。
爬山法也有一些缺点。其中几个列举如下。(人工智能中的爬山法 | 爬山算法的类型，无日期)
-
使用这种技术时，效率和效果会受到影响。
-
如果启发式的值不确定，那么不推荐使用这种技术。
-
这是一种即时解决方案，而不是有效解决方案。
-
从这种技术获得的结果不确定且不可靠。
-
人工智能中的爬山法 | 爬山算法的类型。（无日期）。检索于 2022 年 2 月 27 日，来自 https://www.educba.com/hill-climbing-in-artificial-intelligence/
-
爬山法简介 | 人工智能 - GeeksforGeeks。（无日期）。检索于 2022 年 2 月 27 日，来自 https://www.geeksforgeeks.org/introduction-hill-climbing-artificial-intelligence/
-
Russell, S. J., & Norvig, P. (2003). 人工智能：一种现代方法。在人工智能：一种现代方法（第 2 版）。Prentice-Hall。http://aima.cs.berkeley.edu/
-
Skiena, S. S. (2010). 算法设计手册（第 2 版）。Springer Science+Business Media。
-
医疗保健中的前 6 种 AI 算法。（无日期）。检索于 2022 年 2 月 27 日，来自 https://analyticsindiamag.com/top-6-ai-algorithms-in-healthcare/
-
理解人工智能中的爬山算法 | 工程教育（EngEd）计划 | Section。（无日期）。检索于 2022 年 2 月 27 日，网址：https://www.section.io/engineering-education/understanding-hill-climbing-in-ai/
-
人工智能算法是什么，如何运作。（无日期）。检索于 2022 年 2 月 27 日，网址：https://rockcontent.com/blog/artificial-intelligence-algorithm/
Neeraj Agarwal 是数据咨询公司Algoscale的创始人，该公司涵盖数据工程、应用 AI、数据科学和产品工程。他在该领域拥有超过 9 年的经验，帮助各种组织从初创公司到财富 100 强企业摄取和存储大量原始数据，以将其转化为可操作的洞察，从而实现更好的决策和更快的商业价值。