---
id: [[P-Reinforce|P-Reinforce]]-AUTO-LOSE-001
category: Unified
confidence_score: 0.93
tags: [auto-reinforced, local-[[Search|Search]], [[Optimization|Optimization]], hill-climbing, algorithms, [[Search-Strategy|Search-Strategy]]]
last_reinforced: 2026-04-20
---

# [[Local-Search|Local-Search]]

## 📌 한 줄 통찰 (The Karpathy Summary)
> "현재보다 나은 내일을 위해: 전체 지도를 다 보지 않아도, 지금 서 있는 곳에서 주변을 훑어보고 조금이라도 더 높은 곳(혹은 낮은 곳)으로 한 발자국씩 옮기며 최적의 목표를 찾아가는 현실적이고 민첩한 탐색 기법."

## 📖 구조화된 지식 (Synthesized Content)
국소 탐색(Local-Search)은 현재의 해를 조금씩 수정하여 더 나은 해를 찾아가는 알고리즘입니다.

1.  **주요 알고리즘**:
    *   **Hill Climbing**: 지금보다 더 높은 곳이 보이면 무조건 이동. (하지만 정상인지 언덕인지 모름)
    *   **Simulated Annealing**: 가끔은 낮은 곳으로도 가보며 더 큰 정상을 찾음 (금속 담금질 원리). ([[Search-Optimization|Search-Optimization]]와 연결)
    *   **Tabu Search**: 한 번 가본 곳은 목록에 적어두고 다시 가지 않음.
2.  **왜 중요한가?**:
    *   문제의 규모가 너무 커서 전체를 다 탐색(Global Search)할 수 없을 때, '충분히 좋은 답'을 빠르게 내놓는 최선의 방법임.

## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌**: 과거에는 동네 뒷산(Local Optima)에 갇혀버린다는 것이 치명적 약점 정책이었으나, 현대 정책은 무작위성(Randomness) 정책을 적절히 섞어 이를 탈출하는 정교한 기법들이 표준 정책이 됨(RL Update).
- **정책 변화(RL Update)**: 딥러닝 가중치를 찾는 경사 하강법([[Gradient-Descent|Gradient-Descent]]) 자체가 일종의 연속 공간에서의 국소 탐색 정책이며, 이를 가속화하고 탈출하기 위한 다양한 모멘텀(Momentum) 정책이 현대 AI의 핵심 엔진이 됨.

## 🔗 지식 연결 (Graph)
- [[Search-Optimization|Search-Optimization]], [[Gradient-Descent|Gradient-Descent]], [[Combinatorial-Optimization|Combinatorial-Optimization]], [[Heuristics|Heuristics]], [[Optimization|Optimization]]
- **Modern Tech/Tools**: Genetic algorithms, GRASP, Local solver, Meta-[[Heuristics|Heuristics]].
---