3. Algoritmos de optimización: diferencias y casos de uso

3.1. ¿Por qué aprender sobre diferentes algoritmos?

Los espacios de parámetros y los costos de cómputo varían ampliamente: la búsqueda de cuadrícula es confiable en espacios pequeños pero explota combinatoriamente; los métodos heurísticos o bayesianos intercambian precisión por velocidad con un presupuesto de evaluación limitado; Los algoritmos también difieren en el soporte de parámetros continuos, discretos o mixtos.

3.2. Comparación de algoritmos de optimización (enumerados con diferencias)

Algoritmo	Breve principio	Pros y limitaciones	Escala de parámetros típica	Continuo / Discreto / Mixto	Costo informático típico
grid	Búsqueda exhaustiva o recorrido por puntos de la cuadrícula.	Sencillo y reproducible; poco práctico en dimensiones altas	Pequeño (2-3 dimensiones)	Mayormente discreto	Crece linealmente con el tamaño de la cuadrícula.
montecarlo	Muestreo aleatorio de combinaciones de parámetros.	Simple y fácil de paralelizar; necesita muchas muestras para la estabilidad	Mediano a grande	Todo apoyado	Determinado por sample_count
GA	Selección, cruce, mutación.	Adecuado para problemas multimodales no convexos; sensible a hiperparámetros	Mediano a grande	Todo apoyado	Determinado por generaciones y tamaño de la población.
SA	Recocido simulado; acepta probabilísticamente peores soluciones	Puede escapar de los óptimos locales; convergencia más lenta	Medio	Todo apoyado	Determinado por el recuento de iteraciones
PSO	Actualizaciones de posición y velocidad del enjambre de partículas.	Fuerte en espacios continuos; los parámetros discretos necesitan codificación	Mediano a grande	Mayormente continuo	Determinado por el recuento de partículas y las iteraciones.
bayesian	Modelo sustituto + función de adquisición.	Eficiente con pocas muestras; costoso en grandes dimensiones	Pequeño a mediano	Mayormente continuo	Determinado por iteraciones y ajuste del modelo.

3.3. Casos de uso y consejos de selección

• Pocos parámetros discretos: Prefiera grid or small-scale montecarlo.

• Muchos parámetros, pocos pasos de evaluación: Considere bayesian or GA/PSO.

• Espacio continuo y multimodal: PSO, GA, or SA.

• opti_sample_count and parameter count: With too few samples or iterations, heuristics may stop early; increase opti_sample_count o reduzca la dimensionalidad del parámetro según sea necesario.

3.4. Tabla de comparación rápida

Vea la tabla de arriba. En la práctica, siga los valores opti_method respaldados por la versión actual qteasy y sus documentos; tenga en cuenta las configuraciones típicas de cada algoritmo (por ejemplo, tamaño de población GA y tasa de mutación) y sus nombres de configuración y valores predeterminados.