3. Optimierungsalgorithmen: Unterschiede und Anwendungsfälle

3.1. Warum sich über verschiedene Algorithmen informieren?

Parameterräume und Rechenkosten variieren stark: Die Rastersuche ist in kleinen Räumen zuverlässig, explodiert jedoch kombinatorisch; Bei Heuristiken oder Bayes’schen Methoden geht es bei einem begrenzten Evaluierungsbudget um Genauigkeit gegen Geschwindigkeit. Algorithmen unterscheiden sich auch in der Unterstützung kontinuierlicher, diskreter oder gemischter Parameter.

3.2. Vergleich von Optimierungsalgorithmen (mit Unterschieden aufgeführt)

Algorithmus	Kurzes Prinzip	Vorteile und Einschränkungen	Typische Parameterskala	Kontinuierlich / Diskret / Gemischt	Typische Rechenkosten
grid	Umfassende Suche oder Durchquerung von Gitterpunkten	Einfach und reproduzierbar; in großen Dimensionen unpraktisch	Klein (2–3 Dimensionen)	Größtenteils diskret	Wächst linear mit der Rastergröße
montecarlo	Zufällige Auswahl von Parameterkombinationen	Einfach und leicht zu parallelisieren; benötigt viele Proben für die Stabilität	Mittel bis groß	Alle unterstützt	Bestimmt durch „sample_count“.
GA	Selektion, Crossover, Mutation	Geeignet für nicht-konvexe, multimodale Probleme; hyperparameterempfindlich	Mittel bis groß	Alle unterstützt	Bestimmt durch Generationen und Bevölkerungsgröße
SA	Simuliertes Glühen; akzeptiert wahrscheinlich schlechtere Lösungen	Kann lokalen Optima entkommen; langsamere Konvergenz	Mitte	Alle unterstützt	Wird durch die Anzahl der Iterationen bestimmt
PSO	Aktualisierungen der Position und Geschwindigkeit des Partikelschwarms	Stark in durchgehenden Räumen; Diskrete Parameter müssen kodiert werden	Mittel bis groß	Meist kontinuierlich	Bestimmt durch Partikelanzahl und Iterationen
bayesian	Ersatzmodell + Erfassungsfunktion	Effizient mit wenigen Proben; teuer in großen Dimensionen	Klein bis mittel	Meist kontinuierlich	Bestimmt durch Iterationen und Modellanpassung

3.3. Anwendungsfälle und Auswahlberatung

• Wenige diskrete Parameter: Bevorzugen Sie „grid`` or small-scale ``montecarlo“.

• Viele Parameter, wenige Auswertungsschritte: Betrachten Sie „bayesian`` or ``GA``/``PSO“.

• Kontinuierlicher, multimodaler Raum: PSO, GA, or SA.

• opti_sample_count und Parameteranzahl: Bei zu wenigen Stichproben oder Iterationen kann die Heuristik vorzeitig beendet werden; Erhöhen Sie „opti_sample_count“ oder reduzieren Sie die Parameterdimensionalität nach Bedarf.

3.4. Schnelle Vergleichstabelle

Siehe die Tabelle oben. Befolgen Sie in der Praxis die „opti_method“-Werte, die von der aktuellen qteasy-Version und ihren Dokumenten unterstützt werden; Beachten Sie die typischen Einstellungen jedes Algorithmus (z. B. GA-Populationsgröße und Mutationsrate) sowie deren Konfigurationsnamen und Standardeinstellungen.