优化算法一点心得_优化算法的基本技巧实验报告总结怎么写

    优化算法，例如梯度，启发式，贝叶斯优化等等，当然很多地方叫的不一样。比如在工科领域，我们叫启发式算法，Kriging代理模型，在机器学习中，我们可能叫随机搜索，基于高斯过程的贝叶斯优化，反正都是一类东西，没有明显界限，可能有稍微不同，但是可以认为是一样的。

    那么这么多优化算法有什么优缺点呢？我们通常都是想找到一个全局最优解，不管是最大值还是最小值，而不是找到一个极点。通常叫EGO,全局优化算法。最常用，最常听说的就是遗传算法（GA），然后粒子群优化，模拟退火算法等等等等，甚至还看见过灰太狼 优化算法。这些东西本质思想都差不多（我也不是特别了解），都是从自然界中找到某种思想用在优化中，他们强调的是全局性，即不管多么复杂，不管由多少极值，我们都能找到最值。对于大部分图像来说，其实已经够用了，但是我们要知道，他们不是一定能够找到的，对于哪些变态的函数，我们只能说sorry，打扰了，但是对于平常的东西，绝对是遗传算法效果刚刚的，当然里面参数要设置好。具体用哪个看情况。

    然后就是贝叶斯优化算法了。我们通常要找全局最优解，但是除了精度，还有时间。我们不可能优化一个问题，给你一年时间，不现实。比如气动优化，或者大规模机器学习，一个参数算一次要几天，你要用遗传算法，算个几万次，那还得了。这时候贝叶斯优化登场了，它可以让你快速找到最优解，使用尽可能少的迭代次数。这就是说当目标函数很昂贵时，使用这个很好。但是也有缺点，一个是本身需要建模，样本多了，自己建模都算不下去了。二是维度灾难，就是对于变量特别多的问题，也无能为力。然后为了加快速度，有时候会并行运算，一次加多个点。

    对于简单问题，就是目标函数算一次很快，当然这个快是相对的，具体问题具体分析，但是至少10秒以下吧，用启发式算法还是挺快的，但是如果算一次几分钟，那可能贝叶斯优化就更好了。

    这些都是一种折中，时间和精度，你想要哪个？