📚 课程目录第1章全局优化概述

一、全局优化概述：从局部陷阱到全局视野

做优化这么多年，我最大的感触就是——大部分人都在局部最优里打转。你想想看，是不是经常遇到这种情况：调了一整天参数，结果发现换个初始值，效果反而更好？嗯，这就是典型的局部最优陷阱。

全局优化，说白了就是在所有的可行方案里，找到那个真正最好的。不是"看起来不错"，而是"确实最优"。

先给个正式定义：全局优化是在满足所有约束条件的前提下，从整个可行域中寻找目标函数全局最小值（或最大值）的过程。

数学上可以写成：

min f(x)    // 目标函数
s.t. g_i(x) ≤ 0, i = 1,...,m   // 不等式约束
     h_j(x) = 0, j = 1,...,p   // 等式约束
     x ∈ X ⊆ ℝⁿ               // 变量边界

我在做芯片设计时遇到过这样一个问题：要同时优化功耗、面积和时序，三个指标互相打架。一开始我只盯着局部调，结果每次都是"按下葫芦浮起瓢"。后来才明白——这不是参数调得不够细，而是根本没找到全局最优。

这两个概念，我建议你刻在脑子里。

举个例子你就明白了。想象你在爬山，局部最优就是眼前这个小山头——你站上去觉得"哇，好高"，但远处还有更高的山峰。全局最优，才是那个真正的最高峰。

我曾经踩过的坑：做供应链优化时，用贪心算法找到了一个"看起来很好"的方案，成本降了15%。结果全公司庆祝完，才发现另一个方案能降30%。那次之后，我养成了一个习惯——任何优化结果，先怀疑它是局部最优。

建模这件事，我个人习惯分三步走：

举个实际例子。假设你要设计一个快递配送路线：

决策变量：x_ij = 是否从i点走到j点（0或1）
目标函数：min Σ c_ij * x_ij  （总距离最短）
约束条件：
  - 每个点恰好访问一次
  - 从仓库出发，回到仓库
  - 车辆载重不超过5吨
  - 每个客户的时间窗要求

你看，这就是一个典型的多变量约束优化问题。变量是离散的（0-1），约束既有等式也有不等式，目标函数是线性的——但组合起来，就是著名的旅行商问题（TSP），NP-hard。

我的建模经验：别一上来就搞复杂模型。先画个草图，把变量、目标、约束列在纸上。我见过太多人把时间花在"完美模型"上，结果解不出来。记住——好的模型不是最精确的，而是可解的。

搞清楚了"是什么"，接下来得知道"有哪些"。我按自己的理解，把常见问题分了这么几类：

你可能会问：这么多类型，从哪开始学？我的建议是——先吃透连续变量+线性约束+单目标。这是基础，后面的都是在这个框架上加料。

核心要点回顾：

下面这张图，是我自己梳理的全局优化知识框架。建议你保存下来，后面每学一章，回来对照一下：

这张图我画了好几个版本才定下来。你看，全局优化不是单一的技术，而是一个体系。建模、方法、应用，三者缺一不可。后面29章，就是沿着这个框架一步步展开。

给新手的建议：