爬山算法是一种局部择优的方法，采用启发式方法，是对深度优先搜索的一种改进，它利用反馈信息帮助生成解的决策。 属于人工智能算法的一种。

算法描述

从当前的节点开始，和周围的邻居节点的值进行比较。 如果当前节点是最大的，那么返回当前节点，作为最大值(既山峰最高点)；反之就用最高的邻居节点来，替换当前节点，从而实现向山峰的高处攀爬的目的。如此循环直到达到最高点。

function HillClimbing(problem) return 一个局部最优状态
    输入：problem
    局部变量：current, 一个节点
            neighbor，一个节点
    current = MakeNode(Initial-State(problem));
    loop do
        neighbor = a highest-valued successor of current ;
        if VALUE[neighbor] <= VALUE[current] then return STATE[current];
        current = neighbor ;

算法优缺点

优点

避免遍历，通过启发选择部分节点，从而达到提高效率的目的。

缺点

因为不是全面搜索，所以结果可能不是最佳。
爬山算法一般存在以下问题：
1）局部最大：某个节点比周围任何一个邻居都高，但是它却不是整个问题的最高点。
2）高地：也称为平顶，搜索一旦到达高地，就无法确定搜索最佳方向，会产生随机走动，使得搜索效率降低。
3）山脊：搜索可能会在山脊的两面来回震荡，前进步伐很小。