在Jeff Edmonds的文章“如何思考算法”中，有一节介绍了网络流和线性规划中的原始 - 双重爬山章节。我无法看到指数屋顶的数量，以及为什么“最低且因此最佳的屋顶高于最高，因此最佳地点”
答案 0 :(得分：0)
我不是100％确定这是正确的，但这是我的看法：给定一个特定的丘陵拓扑，你正在导航，想象它的镜像漂浮在你上方的天空中。最高的山顶将到达并接触镜子最底部谷底部，从天空向下延伸。相反，如果您向下导航到最低谷，您将最大化您与镜像中正上方点之间的距离。书中没有很好地解释，但这个镜像是书中提到的“指数屋顶”。
无论如何，这个镜像用作证明你已达到全局最大值的基础。直观地证明，首先，镜像是原始问题的另一个实例，只是反过来。但是，天空中存在的镜像可以让您区分局部或全局最大值。如果你已达到一个特定的峰值，但你的头部没有撞到天空中的“镜像峰值”，那么你已达到局部最大值。另一方面，如果没有空间让你站立，因为峰值与镜像相比有所增加，那么你就知道你达到了全局最大值。
回到书中的原始描述，我认为它有问题，因为作者所描述的“指数屋顶”听起来就像一系列山丘上有一堆凉亭，这是不对的。更好的描述是石笋和钟乳石的洞穴，它们完全相互映射。