一些随机算法
这里是一些关于随机乱搞算法的介绍。（待更。。。
爬山算法
顾名思义，你可以想象一下蒙上眼睛以后是怎么爬山的。
那就是随机一个当前位置的临近状态，如果这个状态的比当前位置牛逼，那么就移动到这个位置上。
显然，这样的思路很容易陷入局部最优解然后出不来。
解决方案是使用模拟退火多爬几遍。
模拟退火
英文名：Simulated Annealing。
顾名思义 $\times 2$。你可以想象一下你从愤怒变为冷静的过程。
实际上是退火是与物理相关的词，指的是一个高温的晶体冷却时的过程。
跟爬山类似，退火的过程是从当前的状态转移到另一状态，只不过这个转移的过程跟当前的温度之类的是有关系的。可以理解为随机下一状态的范围是与当前温度相关的。
流程
一开始我们先随机一个状态，以及设定一个初始的温度。然后温度随着迭代的次数增加而降低。
对于每一状态：设当前温度为 $T$，状态为 $x_n$，然后你根据当前温度找到了下一个状态 $x_{n+1}$。
设状态 $x$ 的能量为 $E(x)$。这个能量跟爬山的高度是类似的。
为了不陷入局部最优解，我们需要一个东西来判定。
显然，当 $E(x_{n+1})\geq E(x_n)$ 时，也就是 $x_{n+1}$ 比 $x_n$ 优，我们将当前位置转移到 $E(x_{n+1})$ 上。
那么当 $E(x_{n+1})<E(x_n)$ 时，我们要以一定的概率转移到 $E(x_{n+1})$ 上，以保证不陷入局部最优解。而这个概率我们用 $e^{-\frac{E(x_n)-E(x_{n+1})}{T}}$（我也不知道为什么要用这个）。
最后来看这个温度 $T$ 该怎么降低法。
实际上，一般通过指数式的下降来时限这个温度 $T$ 的下降。即 $T_{n+1}=\lambda T_n$，这个 $\lambda$ 可以随你挑。
如果 $\lambda$ 太大，则容易陷入局部最优解；如果 $\lambda$ 太小，则时间复杂度会增加。具体数值就去调参叭，大概是 $0.99$ 左右的样子。
然后退火退到一定程度，即温度过小的时候就可以结束了。
trick0
调参，比如 $\lambda$ 的值，退火次数，以及随机种子。
trick1
跟爬山一样，我们可以退多几次火来增加找到最优解的概率。
trick2
分块模拟退火，当这个函数的峰有很多很多的时候，往往直接退火也无法找到最优解，这时我们将函数分为连续的一些块，每个快内做一次退火，然后合并。