一、全局优化概述

大家好，欢迎来到《全局优化算法原理与策略选择》的第一章。我是这门课的主讲，一个在算法优化领域摸爬滚打了十几年的工程师。今天咱们不聊虚的，直接切入正题——到底什么是全局优化？它和我们平时说的“找最优解”有什么区别？

说白了，全局优化就是在一个给定的搜索空间里，找到那个让目标函数值最小（或最大）的点。你可能会想：“这不就是求极值吗？”嗯，对，但不全对。关键在于“全局”这两个字。

1.1 局部最优 vs 全局最优

这个概念我当年刚入行时也犯过迷糊。有一次做天线阵列的波束赋形设计，算法跑了一整天，结果出来一个看起来不错的解。我兴冲冲地拿去给导师看，他看了一眼说：“你再换个初始点试试。”结果换了初始点，找到了一个更好的解。原来我之前找到的只是一个局部最优。

为什么会这样？因为很多实际问题的目标函数都不是“光滑的碗”，而是“崎岖的山脉”。

概念	定义	特点	类比
局部最优	在邻域内最优，但全局不一定	容易找到，但可能“坐井观天”	山间的一个小盆地
全局最优	在整个可行域内最优	难找，但才是真正的目标	整个山脉的最低谷

1.2 优化问题的分类

你想想看，现实世界中的优化问题五花八门，但我们可以从两个维度把它们分清楚。

连续 vs 离散

• 连续优化：变量可以取任意实数值。比如调整 PID 控制器的三个参数，每个参数都可以是 0.1、0.01 甚至 0.001。
• 离散优化：变量只能取有限个值。比如旅行商问题中，城市访问顺序是一个排列，不能是“第 2.5 个城市”。

约束 vs 无约束

• 无约束优化：变量可以在整个实数空间自由取值。数学上比较“干净”，但实际中很少见。
• 约束优化：变量必须满足某些条件。比如结构优化中，应力不能超过材料屈服强度；投资组合中，各资产权重之和必须为 1。

分类维度	类型	典型问题	常用算法
变量类型	连续	参数辨识、曲线拟合	梯度下降、牛顿法
变量类型	离散	排程问题、路径规划	遗传算法、蚁群算法
约束条件	无约束	最小二乘问题	共轭梯度法
约束条件	有约束	工程设计、资源分配	罚函数法、拉格朗日法

1.3 算法评价指标

好，现在我们知道要找全局最优，也知道了问题分类。但怎么评价一个算法好不好？我建议从三个维度来看。

收敛速度

说白了就是算法跑多快才能找到解。我记得有一次做实时控制系统优化，要求 0.1 秒内给出结果。有些算法精度很高，但跑一次要 10 秒，根本用不了。收敛速度通常用迭代次数或函数评估次数来衡量。

精度

找到的解离真正的全局最优有多近？有些应用场景，比如卫星轨道设计，差 0.1% 可能就导致任务失败。但有些场景，比如游戏 AI 的路径规划，差不多就行。

鲁棒性

这是我最看重的指标。一个算法在测试函数上表现很好，但换到实际问题就“翻车”，那就不够鲁棒。鲁棒性好的算法，对初始点不敏感，对参数设置不敏感，对问题规模变化也能适应。

指标	含义	如何衡量	我的经验
收敛速度	达到指定精度所需的计算量	迭代次数、CPU 时间	实时系统优先考虑
精度	解与真实最优的接近程度	目标函数差值、距离度量	高精度需求选确定性算法
鲁棒性	算法在不同条件下的稳定性	多次运行的成功率、方差	工程应用最看重这个

1.4 本章知识体系

为了让你更直观地理解本章的知识结构，我画了一张图。你可以看到，全局优化从定义出发，分支出问题分类和算法评价两大块，最终服务于算法选择。

1.5 本章小结

这一章我们打下了全局优化的基础。你记住了三件事：

1. 全局最优 ≠ 局部最优，别被“看起来不错”的解骗了。
2. 先分类，再选算法，连续/离散、约束/无约束决定了你的工具箱。
3. 评价算法要看三个维度：收敛速度、精度、鲁棒性。没有完美的算法，只有合适的权衡。