# 优化算法的区别与使用情境

## 为何需要了解不同算法

参数空间与计算成本差异大：网格搜索在小空间上可靠但组合爆炸；启发式或贝叶斯在有限评估次数下权衡精度与速度；不同算法对连续/离散/混合参数的支持也不同。

## 各优化算法对比（罗列并说明区别）

| 算法 | 原理简述 | 优点与局限 | 适用参数规模 | 连续/离散/混合 | 典型计算成本 |
|------|----------|------------|--------------|----------------|--------------|
| grid | 在网格点上穷举或遍历 | 实现简单、结果可复现；维数高时不可行 | 小（2～3 维） | 离散为主 | 随点数线性增长 |
| montecarlo | 随机采样参数组合 | 实现简单、易并行；需较多样本才稳定 | 中、大 | 均可 | 由 sample_count 决定 |
| GA | 遗传、交叉、变异 | 适合非凸、多峰；调参敏感 | 中、大 | 均可 | 由代数与种群规模决定 |
| SA | 模拟退火、概率接受劣解 | 可跳出局部最优；收敛较慢 | 中 | 均可 | 由迭代次数决定 |
| PSO | 粒子群位置与速度更新 | 连续空间表现好；离散需编码 | 中、大 | 连续为主 | 由粒子数与迭代决定 |
| bayesian | 代理模型+采集函数 | 样本少时效率高；高维成本高 | 小、中 | 连续为主 | 由迭代与模型拟合决定 |

## 使用情境与选择建议

- **参数少、离散**：优先 grid 或小规模 montecarlo。
- **参数多、需少步数**：考虑 bayesian 或 GA/PSO。
- **连续空间、多峰**：PSO、GA 或 SA。
- **opti_sample_count、参数个数**：样本或迭代不足时，启发式可能早停；可适当增大 opti_sample_count 或降低参数维度。

## 简要对比表

见上表；实施时以当前 qteasy 支持的 opti_method 及文档为准，注意各算法的典型参数（如 GA 的种群大小、变异率等）在配置中的名称与默认值。