登山算法顾名思义就是不断寻找自变量，使当前函数值小于新自变量对应的函数值。 他很像模拟退火算法。 可以说模拟退火算法也属于爬山算法的一类。
爬山算法是最适合局部贪婪的算法。 该算法的主要思想是：每次将邻点对应函数值与当前点对应函数值进行比对，以两者中较优者作为爬坡的下一步。 登山算法有很多种，我简单介绍一下。
1 .首选爬山算法
在这一点x的邻近点中依次寻找价值比首次出现的点x高的点，将这一点作为登山的点。这里所说的价值高，在这个问题中是指z或f(x，y )的值大。直到这一点的邻近点中没有比它更大的点为止
2 .最陡爬山算法
最陡爬山算法是对优先爬山算法上的改进，规定每次都选择邻近点价值最大的点作为攀登点
3 .随机恢复爬山算法
随机恢复登山算法基于最陡峭的登山算法，但实际上追加达到全局最优解的条件，满足该条件后结束运算，相反无限次重复运算最陡峭的登山算法(选择新点后重新开始)
4 .模拟退火算法
模拟退火算法有一定的概率选择比现在更差的点，因此可以跳出局部最大值。 在我的博客模拟退火算法的定义和应用中有详细介绍。 同调