簡介爬山演算法是一種區域性擇優的方法，採用啟發式方法，是對深度優先搜尋的一種改進，它利用反饋資訊幫助生成解的決策。 屬於人工智慧演算法的一種。

演算法：
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

演算法解釋：
從當前的節點開始，和周圍的鄰居節點的值進行比較。 如果當前節點是最大的，那麼返回當前節點，作為最大值 (既山峰最高點)；反之就用最高的鄰居節點來，替換當前節點，從而實現向山峰的高處攀爬的目的。如此迴圈直到達到最高點。

演算法優缺點
優點
避免遍歷，通過啟發選擇部分節點，從而達到提高效率的目的。

缺點
因為不是全面搜尋，所以結果可能不是最佳。

爬山演算法一般存在以下問題：
1）、區域性最大：某個節點比周圍任何一個鄰居都高，但是它卻不是整個問題的最高點。
2）、高地：也稱為平頂，搜尋一旦到達高地，就無法確定搜尋最佳方向，會產生隨機走動，使得搜尋效率降低。
3）、山脊：搜尋可能會在山脊的兩面來回震盪，前進步伐很小。 
演算法解釋： 
從當前的節點開始，和周圍的鄰居節點的值進行比較。 如果當前節點是最大的，那麼返回當前節點，作為最大值 (既山峰最高點)；反之就用最高的鄰居節點來，替換當前節點，從而實現向山峰的高處攀爬的目的。如此迴圈直到達到最高點。
演算法優缺點
優點 
避免遍歷，通過啟發選擇部分節點，從而達到提高效率的目的。 

缺點
因為不是全面搜尋，所以結果可能不是最佳。 

爬山演算法一般存在以下問題：  
1）、區域性最大：某個節點比周圍任何一個鄰居都高，但是它卻不是整個問題的最高點。 
2）、高地：也稱為平頂，搜尋一旦到達高地，就無法確定搜尋最佳方向，會產生隨機走動，使得搜尋效率降低。  
3）、山脊：搜尋可能會在山脊的兩面來回震盪，前進步伐很小。
---------------------