Mendaki Bukit

Pengarang: Monica Porter
Tanggal Pembuatan: 22 Berbaris 2021
Tanggal Pembaruan: 27 Juni 2024
Anonim
MENDAKI BUKIT
Video: MENDAKI BUKIT

Isi

Definisi - Apa yang dimaksud dengan Mendaki Bukit?

Mendaki bukit adalah metode heuristik optimisasi matematis yang digunakan untuk memecahkan masalah yang menantang komputasi yang memiliki banyak solusi. Ini adalah metode berulang milik keluarga pencarian lokal yang dimulai dengan solusi acak dan kemudian secara iteratif memperbaiki solusi tersebut satu elemen pada satu waktu sampai tiba pada solusi yang kurang lebih dioptimalkan.


Pengantar Microsoft Azure dan Microsoft Cloud | Sepanjang panduan ini, Anda akan mempelajari tentang apa itu cloud computing dan bagaimana Microsoft Azure dapat membantu Anda untuk bermigrasi dan menjalankan bisnis Anda dari cloud.

Techopedia menjelaskan Hill Climbing

Mendaki bukit adalah teknik optimisasi yang digunakan untuk menemukan solusi "lokal optimal" untuk masalah komputasi. Dimulai dengan solusi yang sangat buruk dibandingkan dengan solusi optimal dan kemudian membaik dari sana. Ia melakukan ini dengan menghasilkan solusi "tetangga" yang relatif selangkah lebih baik daripada solusi saat ini, mengambil yang terbaik dan mengulangi prosesnya sampai tiba pada solusi yang paling optimal karena tidak dapat lagi menemukan perbaikan.

Varian:

  • Sederhana - Node atau solusi terdekat pertama yang ditemukan dipilih.
  • Pendakian curam - Semua solusi pengganti yang tersedia dipertimbangkan dan kemudian yang terdekat dipilih.
  • Stochastic - Solusi tetangga dipilih secara acak, dan kemudian diputuskan apakah akan beralih ke solusi tersebut berdasarkan jumlah peningkatan pada node saat ini.

Pendakian bukit dilakukan secara iteratif - melewati seluruh prosedur dan solusi akhir disimpan. Jika iterasi yang berbeda menemukan solusi akhir yang lebih baik, solusi yang disimpan atau keadaan diganti. Ini juga disebut pendakian bukit senapan, karena ia hanya mencoba jalur yang berbeda sampai mencapai yang terbaik, seperti bagaimana senapan tidak akurat tetapi mungkin masih mengenai target karena penyebaran proyektil yang luas. Ini bekerja sangat baik dalam banyak kasus karena ternyata, lebih baik menghabiskan sumber daya CPU menjelajahi jalur yang berbeda daripada mengoptimalkan dengan hati-hati dari kondisi awal.