1. 课程导入与问题界定
在工程、运营与商业决策中，我们几乎每天都在“优化”。但一个反复出现的现象是：每一步都做了当下看起来最正确的选择，最终结果却离整体目标越来越远。这正是本课程要处理的核心矛盾——全局优化与局部最优风险。本章不急于给出算法，而是先把问题界定清楚：什么是全局目标，什么是局部最优，局部最优为何会“伪装”成正确答案，以及我们应当建立怎样的全局视角与局部风险意识。
一、从一个真实的决策场景说起
设想一条由 5 个车间串联的制造产线，订单要求整线日产出尽可能高。每个车间都有独立的班组长，考核指标是“本车间单位时间产出”。于是各班组长分别把设备节拍压到极限，结果第 3 车间因上游来料波动频繁停机，第 4 车间为消化堆积在制品而超负荷运转，整线日产出反而下降。单看每个车间，指标都在改善；看整条产线，系统在恶化。
这个场景揭示了局部最优的三个典型特征：指标局部化（考核只看本环节）、耦合被忽略（上下游的缓冲与节拍相互影响）、反馈被延迟（问题在几小时后才以停机形式暴露）。如果只盯着单个环节做优化，得到的“最优解”其实是全局视角下的一个陷阱。
二、全局优化与局部最优的界定
为了后续讨论不产生歧义，先明确两个定义。全局优化指在给定约束下，使整个系统的目标函数达到最优，其决策变量覆盖所有相互耦合的环节，并显式考虑环节之间的传递关系。局部最优指在某个子问题或某个决策阶段内取得的最优解，它相对于该子问题是正确的，但相对于全局目标可能并非最优，甚至可能有害。
需要强调的是，局部最优本身不是错误，而是信息与目标被切割后的必然产物。风险不在于“局部做得好”，而在于“误把局部最优当作全局最优”，并据此停止搜索或固化决策。因此本课程的一个基本立场是：局部优化可以作为手段，但必须被全局目标约束和校验。
上图把这一关系可视化：全局目标向下约束各车间，物料流在车间之间传递，而各车间的局部节拍决策会通过瓶颈放大为整线问题；只有把整线产出与在制品水位作为反馈回传，局部决策才可能被修正。图中节拍、在制品数量均为教学示例参数，用于说明耦合机制，不代表任何真实产线数据。
三、局部最优为何会“伪装”成正确答案
结合上面的例子，可以把局部最优的风险来源归纳为四类，它们也是本课程后续逐一拆解的对象。
- 目标切割：把系统目标拆成互不相关的子目标，子目标最优的简单叠加不等于系统最优。上例中“各车间产出最大”与“整线产出最大”并不等价。
- 耦合忽略：环节之间存在缓冲、共享资源、排队与阻塞，局部调整会通过耦合传导。瓶颈车间的节拍才是决定整线产出的关键变量。
- 反馈延迟：局部决策的后果往往滞后显现，决策者看到的是短期改善，长期代价被隐藏。
- 搜索早停：一旦在局部找到“看起来不错”的解就停止探索，失去发现更优全局解的机会。
这四类风险对应不同的应对手段：目标切割需要目标对齐与加权，耦合忽略需要系统建模与瓶颈识别，反馈延迟需要闭环观测与滞后指标，搜索早停需要多起点搜索与跳出机制。课程的整体框架正是围绕这四条线索展开。
四、课程目标与学习路径
本课程的目标不是让读者记住若干算法名称，而是建立一套可操作的判断能力：面对一个优化问题时，能识别它是否被局部化、耦合在哪里、反馈是否充分、当前解是否可能只是局部最优，并选择合适的方法去逼近全局解。
学习路径按“认知—建模—求解—控制—复盘”推进：先建立全局视角与局部风险意识（本章）；再学习如何把实际问题表达为目标、约束与耦合关系；随后进入求解层面，理解全局搜索、多起点、启发式与分解协调等方法为何能降低陷入局部最优的概率；最后落到风险控制，包括监控指标设计、异常识别与决策复盘。每一章都会尽量给出可复现的示例参数与判断依据，而不是停留在概念层面。
五、建立全局视角与局部风险意识
在进入具体方法之前，建议读者先养成三个习惯，它们贯穿全课程。
- 先问目标归属：当前优化的指标，是系统目标还是某个环节的代理指标？代理指标与系统目标是否同向？
- 再找耦合与瓶颈：哪些环节共享资源、存在排队或相互制约？系统的产出或成本主要由哪个环节决定？
- 最后设反馈与退出条件：用什么指标观察长期后果？在什么条件下应当认为当前解可能只是局部最优，需要继续搜索或调整？