一、协同策略概述：全局优化与局部搜索
大家好，欢迎来到这门课。今天咱们聊聊优化算法里一个绕不开的话题——全局优化和局部搜索怎么配合。
说白了，全局优化就是在大范围里找“最好”的那个点，局部搜索就是在小范围里把结果“磨”得更精细。这两者听起来像是一对矛盾，但实际项目中，它们往往是搭档。
1.1 全局优化：先找到“对的方向”
全局优化的目标很明确——在搜索空间里找到全局最优解。它不挑起点，也不怕陷入局部陷阱。常见的算法有遗传算法、粒子群、模拟退火等。
我个人习惯把全局优化比作“先看地图，再定方向”。你想想看，如果连哪个区域可能有宝藏都不知道，直接钻进去挖，大概率是白费力气。
核心特点：
- 搜索范围大，覆盖整个可行域
- 不依赖初始点，鲁棒性强
- 收敛速度慢，精度一般
我在项目中遇到过一个问题：用遗传算法做天线设计，跑了三天三夜，结果还在最优解附近晃悠。嗯，这时候就需要局部搜索来收尾了。
1.2 局部搜索：把结果“磨”到极致
局部搜索，说白了就是“在一个小山坡上找最高点”。它依赖初始点，擅长精细调整。梯度下降、牛顿法、模式搜索都属于这一类。
它的优势是快、准。但缺点也很明显——如果起点选得不好，很容易掉进局部最优出不来。
避坑指南： 我曾经在一个参数优化项目里，直接用梯度下降法，结果因为初始点选在了鞍点附近，算法直接“原地踏步”了。后来我改用全局优化先扫一遍，再切局部搜索，问题就解决了。
1.3 为什么要协同？
你可能会问：既然全局优化能找全局最优，为什么还要局部搜索？
答案很简单：全局优化慢，局部搜索快；全局优化粗，局部搜索细。两者互补，才能又快又好。
我整理了一个对比表，方便你理解：
| 维度 | 全局优化 | 局部搜索 |
|---|---|---|
| 搜索范围 | 全局 | 局部 |
| 收敛速度 | 慢 | 快 |
| 精度 | 低 | 高 |
| 对初始点依赖 | 低 | 高 |
| 典型算法 | 遗传算法、粒子群 | 梯度下降、牛顿法 |
所以，协同策略的核心思路就是：先用全局优化找到“好区域”，再用局部搜索“精雕细琢”。
1.4 典型应用场景
这种协同策略在很多领域都有应用。我挑几个常见的说说：
- 机器学习超参数调优： 先用随机搜索或贝叶斯优化找到超参数的大致范围，再用网格搜索或梯度下降微调。
- 结构优化设计： 比如飞机机翼的形状优化，先用遗传算法确定大致形状，再用梯度法优化局部曲率。
- 机器人路径规划： 先用RRT（快速随机树）找到可行路径，再用A*或Dijkstra做局部平滑。
- 金融投资组合： 先用全局优化确定资产配置的大方向，再用局部搜索调整权重。
注意： 协同策略不是万能的。如果全局优化阶段搜索不充分，局部搜索阶段可能会被误导。我曾经在一个项目里，全局优化只跑了50代就切局部搜索，结果局部搜索直接掉进了次优解。后来我把全局优化迭代次数翻了一倍，效果才明显改善。
1.5 知识结构图
下面这张图展示了本章的核心逻辑：
1.6 本章小结
这一章我们聊了：
- 全局优化和局部搜索各自的优缺点
- 为什么需要协同——说白了就是“取长补短”
- 几个典型的应用场景，帮你建立直观感受
下一章我们会深入具体的协同策略框架，包括串行、并行、嵌套等模式。到时候我会结合代码实例，让你真正上手跑起来。
嗯，今天就到这里。希望你能带着“全局找方向，局部提精度”这个思路，继续往下学。