考虑一个仅使用选择和变异（无交叉）的遗传算法。这与爬山算法有何相似之处？
我在article 中找到了这句话，但我似乎不明白为什么？
【问题讨论】：
标签： algorithm artificial-intelligence genetic-algorithm hill-climbing
这种说法是有风险的，很难看到。我相信很多人不一定（或完全）同意它。
我相信这句话的作者想说的是，可以只使用变异和选择来实现爬山算法。
想象一下，您的染色体 (X) 的每个突变都会提高或降低您的适应度函数 (Y) 的值（想象一下它是身高）。我们想找到 Y 最大的 X。
因为在每个阶段你都在拒绝糟糕的值 - 你将能够获得（接近）Y 的最大值。
我想这就是作者想要表达的意思。
当突变在很大程度上影响染色体时 - 算法不会轻易收敛到最大值。这是当染色体中的太多基因在每次突变时受到影响时；
当突变后的染色体与其原始基因组不相似时 - 你只是在引入噪音。在效果上，它有点像使用 (X) 的随机生成器来找到最大值 (Y)。每次你变异 (X) 时，你都会得到一些与原来无关的东西。 您可能会找到最大值，但它与爬山无关。
【讨论】：
没有交叉的爬山算法和遗传算法都是局部搜索技术。从这个意义上说，它们是相似的，但我不会说它们是相同的。
爬山有不同的形式，但都有一些遗传算法没有的属性：
在实践中，选择一个好的邻域函数会对爬山算法的有效性产生巨大影响。在这里，您有时可以使用额外的领域知识。
据我所知，在遗传算法中，领域知识不用于变异器。大多数情况下，他们使用简单的技术，例如flipping bits or adding random noise to numbers。
爬山可以作为一种没有任何随机性的确定性算法很好地工作。根据您的问题，这可能是关键属性，也可能不是。如果不是，那么随机重启爬山通常会带来更好的结果。
总之，如果你使用没有交叉的遗传算法，你最终会得到一个相当糟糕的局部搜索算法。我希望一个好的爬山算法能够胜过它，尤其是在您处于严格时间限制（实时系统）的情况下。
【讨论】：