爬山算法：是一种局部择优的方法，采用启发式方法，是对深度优先探索的一种改进，它利用反馈信息帮助生成解的决策，属于人工智能算法的一种。
相关术词解释： 1.启发式方法：简化虚拟机和简化行为判断引擎的结合，简单讲就是提前对某项行为进行检测和判断，拥有“自我发现的能力”；
2.深度优化探索：DFS即Depth First Search,其过程简要来说就是对每一个可能的分支路径深入到不能再深入位置，而且每个节点只能访问一次。
算法解释：从当前的节点开始，和周围的邻居节点的值进行比较，如果当前节点是最大的，那么返回当前节点，作为最大值（即山峰最高点）；反之就用最高的邻居节点来替换当前节点，从而实现向山峰的高处攀爬的目的，如此循环直到达到最高点。
算法优缺点：优点：避免遍历，通过启发选择部分节点，从而达到提高效率的目的
缺点：不是全面搜索，结果不为最佳；局部最大；搜索一旦到达高地，就无法确定搜索最佳方向，会产生随机走动，使得搜索效率降低；搜索可能在山脊两面来回震荡，进步步伐很小。
提出思考：全局上将广度压缩提升到高维度（多线程）上，即 将线以大致相同区间切割并重叠，再通过局部算法求出最优解。
模拟退火算法与爬山法类似，但是它没有选择最佳的移动，而是选择随机的移动。如果该移动使情况得到改善，那么接受该移动；否则，算法以某个概率接受该移动。因此有可能会跳出这个局部的最优解，达到全局的最优解。
