简介爬山算法是一种局部择优的方法，采用启发式方法，是对深度优先搜索的一种改进，它利用反馈信息帮助生成解的决策。 属于人工智能算法的一种。

算法：
function HILL-CLIMBING(problem) returns a state that is a local maximum
inputs: problem, a problem
  local variables: current, a node
                         neighbor, a node
  current <- MAKE-NODE(INITIAL-STATE[problem])
  loop do
neighbor <- a highest-valued successor of current
if VALUE[neighbor]<= VALUE[current] then return STATE[current]
current <- neighbor

算法解释：
从当前的节点开始，和周围的邻居节点的值进行比较。 如果当前节点是最大的，那么返回当前节点，作为最大值 (既山峰最高点)；反之就用最高的邻居节点来，替换当前节点，从而实现向山峰的高处攀爬的目的。如此循环直到达到最高点。

算法优缺点
优点
避免遍历，通过启发选择部分节点，从而达到提高效率的目的。

缺点
因为不是全面搜索，所以结果可能不是最佳。

爬山算法一般存在以下问题：
1）、局部最大：某个节点比周围任何一个邻居都高，但是它却不是整个问题的最高点。
2）、高地：也称为平顶，搜索一旦到达高地，就无法确定搜索最佳方向，会产生随机走动，使得搜索效率降低。
3）、山脊：搜索可能会在山脊的两面来回震荡，前进步伐很小。 
算法解释： 
从当前的节点开始，和周围的邻居节点的值进行比较。 如果当前节点是最大的，那么返回当前节点，作为最大值 (既山峰最高点)；反之就用最高的邻居节点来，替换当前节点，从而实现向山峰的高处攀爬的目的。如此循环直到达到最高点。
算法优缺点
优点 
避免遍历，通过启发选择部分节点，从而达到提高效率的目的。 

缺点
因为不是全面搜索，所以结果可能不是最佳。 

爬山算法一般存在以下问题：  
1）、局部最大：某个节点比周围任何一个邻居都高，但是它却不是整个问题的最高点。 
2）、高地：也称为平顶，搜索一旦到达高地，就无法确定搜索最佳方向，会产生随机走动，使得搜索效率降低。  
3）、山脊：搜索可能会在山脊的两面来回震荡，前进步伐很小。
---------------------