Sisu
- Definitsioon - mida tähendab mägironimine?
- Sissejuhatus Microsoft Azure'i ja Microsoft Cloud | Kogu selle juhendi kaudu saate teada, mis on pilvandmetöötlus ja kuidas Microsoft Azure aitab teil pilvest rännata ja oma ettevõtet juhtida.
- Techopedia selgitab mägironimist
Definitsioon - mida tähendab mägironimine?
Mägironimine on matemaatiline optimeerimise heuristiline meetod, mida kasutatakse arvutuslikult keerukate probleemide lahendamiseks, millel on mitu lahendust. See on iteratiivne meetod, mis kuulub lokaalsesse otsinguperekonda ja mis algab juhusliku lahendusega ja seejärel täiustatakse seda lahendust iteratiivselt üks element korraga, kuni see jõuab enam-vähem optimeeritud lahenduseni.
Sissejuhatus Microsoft Azure'i ja Microsoft Cloud | Kogu selle juhendi kaudu saate teada, mis on pilvandmetöötlus ja kuidas Microsoft Azure aitab teil pilvest rännata ja oma ettevõtet juhtida.
Techopedia selgitab mägironimist
Mägironimine on optimeerimise tehnika, mida kasutatakse arvutusprobleemile "kohaliku optimaalse" lahenduse leidmiseks. See algab lahendusega, mis on optimaalse lahendusega võrreldes väga kehv, ja seejärel paraneb iteratiivselt sealt edasi. See genereerib "naabrite" lahendusi, mis on praegusest lahendusest suhteliselt sammu paremad, valib parima ja kordab seda protsessi seni, kuni jõuab kõige optimaalsema lahenduseni, kuna ei leia enam parandusi.
Variandid:
- Lihtne - valitakse esimene lähim sõlm või lahendus.
- Kõige kõrgem tõus - kaalutakse kõiki olemasolevaid järgnevaid lahendusi ja seejärel valitakse lähim.
- Stohhastiline - naabrilahendus valitakse juhuslikult ja seejärel otsustatakse, kas liikuda sellele lahendusele edasi, tuginedes praeguse sõlme parenduse suurusele.
Mägironimine toimub korduvalt - see läbib kogu protseduuri ja lõpplahus säilitatakse. Kui mõni teine iteratsioon leiab parema lõpplahenduse, asendatakse salvestatud lahendus või olek. Seda nimetatakse ka püstoli mäkketõusuks, kuna see proovib lihtsalt erinevaid teid, kuni see jõuab kõige paremani, täpselt nagu see, et püss on ebatäpne, kuid võib mürskude laia leviku tõttu siiski oma eesmärgi tabada. See töötab paljudel juhtudel väga hästi, sest kui selgub, on parem kulutada protsessori ressursse erinevate teede uurimiseks, kui algsest seisukorrast hoolikalt optimeerida.