3. 優化算法的區別與使用情境

3.1. 爲何需要了解不同算法

參數空間與計算成本差異大：網格搜索在小空間上可靠但組合爆炸；啓發式或貝葉斯在有限評估次數下權衡精度與速度；不同算法對連續/離散/混合參數的支持也不同。

3.2. 各優化算法對比（羅列並說明區別）

算法	原理簡述	優點與侷限	適用參數規模	連續/離散/混合	典型計算成本
grid	在網格點上窮舉或遍歷	實現簡單、結果可復現；維數高時不可行	小（2～3 維）	離散爲主	隨點數線性增長
montecarlo	隨機採樣參數組合	實現簡單、易並行；需較多樣本才穩定	中、大	均可	由 sample_count 決定
GA	遺傳、交叉、變異	適合非凸、多峯；調參敏感	中、大	均可	由代數與種羣規模決定
SA	模擬退火、概率接受劣解	可跳出局部最優；收斂較慢	中	均可	由迭代次數決定
PSO	粒子羣位置與速度更新	連續空間表現好；離散需編碼	中、大	連續爲主	由粒子數與迭代決定
bayesian	代理模型+採集函數	樣本少時效率高；高維成本高	小、中	連續爲主	由迭代與模型擬合決定

3.3. 使用情境與選擇建議

• 參數少、離散：優先 grid 或小規模 montecarlo。

• 參數多、需少步數：考慮 bayesian 或 GA/PSO。

• 連續空間、多峯：PSO、GA 或 SA。

• opti_sample_count、參數個數：樣本或迭代不足時，啓發式可能早停；可適當增大 opti_sample_count 或降低參數維度。

3.4. 簡要對比表

見上表；實施時以當前 qteasy 支持的 opti_method 及文檔爲準，注意各算法的典型參數（如 GA 的種羣大小、變異率等）在配置中的名稱與默認值。