4. 协同策略框架：四种主流模式

全局优化和局部搜索怎么配合？这不是拍脑袋决定的。我这些年做过的项目里，选错协同模式导致效果打折扣的情况，至少遇到过三四回。说白了，你得根据问题的结构、计算资源、还有你对解空间的了解程度来定。

这一章，我把四种主流协同策略掰开揉碎了讲。每种我都会给一个实际场景，告诉你什么时候用、怎么用、坑在哪。

4.1 主从式协同

主从式协同，结构最简单。一个主算法（通常是全局搜索）负责统筹，多个从算法（局部搜索）负责执行具体任务。主算法下发初始解或子问题，从算法跑完把结果返回，主算法再汇总、更新。

我在一个物流路径优化项目里用过这种模式。主算法用遗传算法生成初始路径种群，然后每个从节点（一台服务器）跑一个局部搜索（比如2-opt）去优化。主节点收集所有优化后的路径，再交叉变异产生下一代。

适用场景：

• 问题可以分解成多个独立子问题
• 计算资源充足，可以并行跑多个局部搜索
• 主算法需要全局视角来协调局部结果

4.2 并行式协同

并行式协同，说白了就是多个搜索算法各跑各的，互不干扰。每个算法独立维护自己的解，跑完一轮后，大家交换一下信息，然后继续。

这种模式我最喜欢用在多峰优化问题上。你想想看，如果所有算法都往一个峰上跑，那其他峰不就漏掉了？并行式协同让每个算法可以探索不同的区域。

信息交换方式：

交换策略	说明	我见过的坑
定期交换最优解	每隔N代，各算法广播自己的最优解	交换太频繁，种群多样性下降太快
迁移策略	把部分个体迁移到其他算法种群中	迁移率太高，各算法趋同，失去并行意义
共享存档	所有算法读写同一个精英解存档	并发写冲突，需要加锁，影响性能

4.3 分层式协同

分层式协同，结构像金字塔。上层做粗粒度的全局搜索，下层做细粒度的局部搜索。上层给下层提供搜索方向或子空间，下层给上层反馈局部信息。

我记得有一次做高维参数优化，维度超过100。直接用全局搜索，收敛太慢；只用局部搜索，又容易陷在局部最优。后来我用了分层式协同：上层用差分进化（DE）做全局探索，把搜索空间划分成多个子区域；下层在每个子区域里跑Nelder-Mead单纯形法做精细搜索。

分层结构示例：

4.4 混合式协同

混合式协同，就是把前面几种模式组合起来用。没有固定套路，完全看问题需求。你可以主从式+分层式，也可以并行式+混合式，甚至三种一起上。

我曾经做过一个航空发动机叶片优化项目，问题极其复杂——30多个设计变量，多个冲突目标，还有大量约束。单一协同模式根本搞不定。最后我用了混合式：

1. 上层：主从式协同，主节点跑多目标遗传算法（NSGA-II），从节点并行跑局部搜索
2. 中层：分层式协同，把设计空间按物理意义分成气动、结构、传热三个子空间
3. 下层：每个子空间内部，用并行式协同跑多个局部搜索算法

这个架构跑下来，效果比单一模式好了30%以上。但代价是代码复杂度翻了好几倍，调试起来也特别痛苦。

4.5 四种模式对比

为了方便你选型，我把四种模式的核心差异整理成了一张表：

维度	主从式	并行式	分层式	混合式
控制结构	集中式	分布式	层级式	组合式
通信开销	高（主节点瓶颈）	低（定期交换）	中（上下层传递）	高（多层交互）
多样性保持	中	高	中	高（可调）
实现难度	低	中	中	高
适用问题	可分解问题	多峰问题	高维问题	复杂多约束问题

选型的时候，我一般先看问题的复杂度。简单问题，主从式就够了。问题有多峰特性，优先考虑并行式。高维且结构清晰，分层式更合适。如果前面三种都搞不定，再上混合式——但要做好心理准备，调试周期会很长。