در این مسئله ابتدا جدولی 3 در 3 را تشکیل داده , مهره ها ی مانع را بصورت تصادفی در جدول قرار میدهیم .در اصل مسئله موش و گربه با الگوریتم تپه نوردی پیاده و شبیه سازی شده است . بطوریکه پس از قرار دادن موانع در دو تا از خانه ها و اجرای الگوریتم ، موش و گربه هر دو با هم حرکت کرده و گربه به دنبال موش رفته و در صورت پیدا کردن موش ، آن را به تله می اندازد . استراتژی استفاده شده الگوریتم تپه نوردی میباشد .
1- ما يه گربه داريم يه موش. گربه مکان اوليه ثابت دارد همان خانه (1و1) ولي موش در هردفعه ران و اجراي برنامه مي تواند در يک خانه تصادفي قرار گيرد.
بالاخره موش در يک خانه واقع مي شود، شما مياييد 4 خانه اطراف مکان فعلي گربه براي 4 جهت حرکت وي بررسي ميکنيد و يک سري اعداد به عنوان تابع هزينه براي اين خانه ها بدست مي‌اوريد.
براساس اين اعداد که از استراتژي مربوطه اومده جهت مناسب گربه را تعيين مي کنيد. پس گربه ميره به اون جهت (دقت کنيد شما حرکت نميدهيد خودش به جهتي ميرود که هزينه کمتري دارد)
حالا که گربه حرکت کرد، موش بايد حرکت کند، نمي خواهد حرکت موش را هم هوشمند فرض کنيد ، حرکت موش به صورت رندم در يکي از 4 جهت است. پس موش هم مي تونه به گربه نزديک شه هم ازش دور شه. به شانسش بستگي داره.
حالا که موش يه حرکت کرد نوبت گربه است، دوباره بايد هزينه مربوطه به خانه هاي اطراف گربه را با توجه به مکان فعلي موش حساب کنيد و خانه مناسب را انتخاب کنيد. يعني شما يه تکرار داريد يه iteration .
اين کار را تا زماني انجام مي دهيد که موش و گربه به هم برسند. شايد هم نرسند که وابسته به استراتژي جستجويتان است.
اما راجع به مانع ها. مانع مثل ديوار اطراف خانه 4 در 4 مي ماند. يعني مکاني است که مسدود است و گربه و موش نمي توانند به آنجا بروند .
توضیح استراتژی جستجو به کار برده شده انتظار ما از الگوریتم انتظار هر طراح یا برنامه نویسی در هوش مصنوعی زمان و یا حافظه یا سرعت میباشد . ضمنا ما نیز در این برنامه دقت را هم نیز مد نظر داشتیم . و انتظار اصلی ما از برنامه ، رسیدن مهره ی شروع کننده به مهره ی هدف با کمترین سرعت و با بهترین تابع هیوریستیک بوده است .1