1. 全局优化概述：从局部陷阱到全局视野

大家好，欢迎来到《全局优化算法实战精讲》。我是这门课的主讲，一个在优化算法领域摸爬滚打了十几年的工程师。今天咱们先聊聊最基础，但也最容易让人栽跟头的问题——到底什么是全局优化？

说实话，我刚开始做算法那会儿，觉得优化嘛，不就是找个最小值？后来在项目中吃了不少亏，才明白这里面的水有多深。你想想看，一个算法跑了大半天，结果找到的只是一个“看起来不错”的解，离真正的最优解还差着十万八千里。嗯，这就是我们今天要解决的核心问题。

什么是全局优化？

全局优化，说白了就是在一个给定的搜索空间里，找到让目标函数值最小（或最大）的那个点。这里的“全局”二字，强调的是整个搜索空间，而不是某个局部区域。

我习惯用一个比喻来理解：想象你在一片连绵起伏的山脉中寻找最低点。如果你只盯着脚下的山谷，觉得这里已经够低了，那很可能错过远处更深的山谷。全局优化要做的，就是翻越所有山头，找到那个真正的“世界最低点”。

局部最优 vs 全局最优

这两个概念是全局优化的基石。我见过太多新手把局部最优当全局最优，结果模型上线后效果惨不忍睹。

特性	局部最优	全局最优
定义	在邻域内所有点中，目标函数值最小	在整个可行域内，目标函数值最小
唯一性	可能有多个	可能唯一，也可能多个（多峰函数）
搜索难度	相对容易，梯度下降即可	困难，需要全局搜索策略
实际意义	可能“够用”，但不保证最优	理论上最优，但计算成本高

为什么会这样？因为很多实际问题的目标函数都是非凸的，有无数个“小山包”和“小山谷”。传统的梯度下降法就像个近视眼，只能看到脚下的路，很容易走进一个局部山谷就停下来了。

优化问题的分类

搞清楚了概念，咱们来看看实际问题长什么样。优化问题可以从多个维度分类，我习惯用下面这个框架来梳理：

在实际项目中，我遇到最多的是非凸、有约束的混合整数优化问题。比如芯片布局布线、供应链网络设计，这些问题的变量既有连续值（如坐标位置），又有离散值（如设备选型），约束条件还特别多。嗯，这种问题最头疼。

算法评价指标

选算法不能靠拍脑袋，得有评价标准。我一般从四个维度来评估一个全局优化算法：

1. 收敛性——算法能不能保证找到全局最优？还是只能找到局部最优？
2. 收敛速度——找到最优解需要多少次迭代？计算成本高不高？
3. 鲁棒性——换个初始点、换个参数，结果还稳定吗？
4. 可扩展性——问题规模变大时，算法还能用吗？

这四个指标往往互相矛盾。收敛性好的算法通常慢，鲁棒性强的算法可能对参数不敏感但精度差。我个人的习惯是：先保证收敛性和鲁棒性，再优化速度和可扩展性。

指标	描述	常用测试方法
收敛性	能否找到全局最优解	在已知最优解的测试函数上验证
收敛速度	达到目标精度所需的迭代次数或时间	绘制收敛曲线，记录运行时间
鲁棒性	对初始点、参数变化的敏感程度	多次运行，统计均值和方差
可扩展性	问题规模增大时的性能变化	测试不同维度、不同约束数量下的表现

举个例子，我曾经用遗传算法优化一个20维的函数，效果很好。但把维度升到100维后，算法直接崩溃了——种群规模不够，收敛速度慢得像蜗牛。这就是可扩展性出了问题。