局部搜索优化的过程是什么，其主要限制是什么？

适用条件

• 需要一个初始可行解。
• 需要定义一个解的邻域（例如，所有可通过一次2-Opt交换到达的解）。
• 迭代地移动到邻域中更好的解，直到达到局部最优。

理解与推导

1. 从一个初始解开始（例如，随机路线）。
2. 应用一个局部变化（例如，2-Opt交换）。
3. 如果变化改进了解，则保留它；否则，丢弃它。
4. 重复此过程，直到找不到进一步的立即改进。
5. 认识到最终解是局部极小值，不一定是全局最优。

例子

视频在一张约有30个城市的地图上演示了局部搜索，从44668公里的随机路线开始，迭代改进到16592公里，但指出存在一条更好的14167公里的路线，说明了局部极小值的限制。

容易误解的地方

• 认为局部搜索总是能找到全局最优。
• 假设如果找不到立即的改进，当前解就是最好的可能解。

观看对应讲解

继续追问

• 模拟退火如何帮助避免陷入局部极小值？
• 在优化的背景下，什么是局部极小值？
• 2-Opt交换如何工作以改进路线？