This HTML5 document contains 26 embedded RDF statements represented using HTML+Microdata notation.

The embedded RDF content will be recognized by any processor of HTML5 Microdata.

Namespace Prefixes

PrefixIRI
wikipedia-huhttp://hu.wikipedia.org/wiki/
dcthttp://purl.org/dc/terms/
dbohttp://dbpedia.org/ontology/
foafhttp://xmlns.com/foaf/0.1/
dbpedia-huhttp://hu.dbpedia.org/resource/
prop-huhttp://hu.dbpedia.org/property/
n16http://www.scribd.com/doc/7290255/
rdfshttp://www.w3.org/2000/01/rdf-schema#
freebasehttp://rdf.freebase.com/ns/
rdfhttp://www.w3.org/1999/02/22-rdf-syntax-ns#
n12http://hu.dbpedia.org/resource/Sablon:
owlhttp://www.w3.org/2002/07/owl#
n13https://archive.org/details/
provhttp://www.w3.org/ns/prov#
xsdhhttp://www.w3.org/2001/XMLSchema#
n6http://hu.dbpedia.org/resource/Kategória:
n4http://wrathx64.wordpress.com/2010/06/11/nem-modosithato-keresorendszerek/

Statements

Subject Item
dbpedia-hu:Hegymászó_algoritmus
rdfs:label
Hegymászó algoritmus
owl:sameAs
freebase:m.01_s7x
dct:subject
n6:Keresőalgoritmusok
dbo:wikiPageID
916725
dbo:wikiPageRevisionID
23866974
dbo:wikiPageExternalLink
n4: n13:programmingcolle00sega_0%7C n13:bub_gb_SESWXQphCUkC%7C n16:Hill-Climbing-Methods
prop-hu:wikiPageUsesTemplate
n12:Cite_book n12:Portál
prop-hu:author
Toby Segaran Jason Brownlee
prop-hu:edition
1.0
prop-hu:id
isbn 978-0-596-52932-1 isbn 978-1-4467-8506-5
prop-hu:title
Clever Algorithms, Nature-Inspired Programming Recipes Programming Collective Intelligence
prop-hu:url
https://archive.org/details/programmingcolle00sega_0| publisher=O'Reilly Media Inc. https://archive.org/details/bub_gb_SESWXQphCUkC| year=2011
prop-hu:year
2007
dbo:abstract
A számítástudományban a hegymászó algoritmus egy eljárás, amely a keresőalgoritmusok osztályába tartozik. Az eljárás egy kezdeti - véletlenszerű - megoldásból indul ki, majd iteratívan megkísérel egy mind jobb megoldást találni minden lépésben, mindig egy elemet megváltoztatva az eredményhalmazon, ameddig nem talál jobbat. Az algoritmus relatíve egyszerűsége okán az egyik leggyakrabban elsőnek választott optimizáló eljárás. Széles körben használja a mesterséges intelligencia tudománya, mivel bár fejlettebb algoritmusok is léteznek, sok esetben ez is elég jó teljesítményt képes felmutatni. A hegymászó algoritmus megtalálja az optimális megoldást a konvex problémákhoz – más problémák esetén csak a helyi szélsőértéket fogja megtalálni (azokat a megoldásokat, amelyeken a szomszédos konfigurációk sem képesek javítani), amely nem feltétlenül a legjobb megoldás (a globális szélsőérték) az összes lehetséges megoldás közül. A hegymászó algoritmussal konvex problémákat megoldó algoritmusokra példa a lineáris programozás és a bináris keresés szimplex algoritmusa. Hogy elkerülje a helyi szélsőértéken ragadást, újra is indulhat (azaz ismételt helyi keresés), vagy bonyolultabb sémákat alkalmazhat iterációkon (például iterált helyi keresés), vagy memórián (például reaktív keresésoptimalizálás és tabukeresés), vagy memóriamentes sztochasztikus módosításokon (mint például a szimulált hűtés). A hegymászó algoritmus gyakran jobb eredményt nyújthat, mint más algoritmusok, ha a keresés elvégzésére álló idő korlátozott, például valósidejű rendszereknél, mindaddig, amíg kis számú lépés elegendő a jó megoldáshoz (az optimális megoldás vagy egy megközelítése). A buborékrendezés hegymászó algoritmusnak tekinthető (minden szomszédos elemcsere csökkenti a rendezetlen elempárok számát), ám ez a megközelítés messze nem hatékony még egyszerű N esetében sem, mivel a cserék száma négyzetesen növekszik. További előnye, hogy a futtatás bármely pillanatában is szakítjuk meg a működését, a (rész)megoldás mindig elérhető.
prov:wasDerivedFrom
wikipedia-hu:Hegymászó_algoritmus?oldid=23866974&ns=0
dbo:wikiPageLength
9476
foaf:isPrimaryTopicOf
wikipedia-hu:Hegymászó_algoritmus
Subject Item
wikipedia-hu:Hegymászó_algoritmus
foaf:primaryTopic
dbpedia-hu:Hegymászó_algoritmus