爬山策略 (PHC)

爬山策略是一种经典的局部搜索算法，其核心思想是从初始状态出发，不断评估邻域内各候选状态的价值，并选择价值最高的状态进行转移，直至达到局部最优或满足终止条件。该算法属于无监督优化方法，不依赖问题具体结构，但易陷入局部最优陷阱。在机器学习领域，它常用于参数调优、特征选择及神经网络权重更新；在运筹学中，则用于求解组合优化问题。其本质是贪心策略的一种变体，强调“步步为营”的渐进式改进，而非全局规划。

在现代计算架构与算法生态中，爬山策略扮演着轻量级、低资源消耗优化器的角色。它因其实现简单、内存占用低、收敛速度快而成为许多复杂优化问题的首选预处理步骤或基础求解器。尽管存在易陷局部最优的固有缺陷，但通过与随机重启、模拟退火、遗传算法等策略结合，可显著提升其鲁棒性与解的质量。在工业界，它被广泛应用于超参数搜索、神经网络结构搜索（NAS）及资源调度等场景，是构建高效智能系统不可或缺的基础组件之一。