我正在阅读本地搜索：爬山及其类型和模拟退火
爬山版本之一是“随机爬山”，其定义如下：
随机爬山在移动之前不会检查所有邻居。相反，这种搜索算法随机选择一个邻居节点，并决定是选择它作为当前状态还是检查另一种状态
一些消息来源提到它可以用来避免局部最优。
然后我正在阅读模拟退火及其定义：
在每次迭代中，都会选择一个随机移动。如果它改善了情况，则接受该举动，否则以小于1的概率接受
那么，这两种方法的主要区别是什么？随机指标是否只选择随机（上坡）继任者？如果它只选择（上坡后继者），那么它如何避免局部最优？
Russell 和 Norvig 的书（第 3 版）描述了这两种算法（第 4.1.1 节，第 122 页），这本书是您在研究人工智能中的搜索算法时通常应该使用的参考书。我熟悉模拟退火（SA），因为我过去实现它是为了解决组合问题，但我对随机爬山（SHC）不是很熟悉，所以让我引用书中描述 SHC 的部分.
随机爬山从上坡动作中随机选择；选择的概率会随着上坡移动的陡峭程度而变化。这通常比最陡峭的上升收敛得更慢，但在某些州的情况下，它会找到更好的解决方案。
因此，SHC 随机选择一个“上坡移动”，即改进目标函数的移动（例如，如果您试图解决旅行商问题，“上坡移动”可能是对当前哈密顿循环的任何改变，一种解决方案，以便新的 Halmitonian 循环具有更短的成本）在上坡移动中（因此在一些改进目标的移动中）。
在模拟退火中，您执行一些移动。如果这一举措导致了更好的解决方案，那么您始终保留更好的解决方案。如果它导致一个更糟糕的解决方案，你以一定的概率接受那个更糟糕的解决方案。还有其他细节，例如您如何接受更差的解决方案（您可以在 Russell 和 Norvig 的书中找到），但这应该已经阐明 SA 与 SHC 不同：SA 可以接受更差的解决方案以逃避局部最小值，而 SHC 只接受上坡运动。