3. 优化算法的区别与使用情境

3.1. 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。

3.2. 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

3.3. 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。

3.4. 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。