ความหมายของวิธีการค้นหาและวิธีการปรับให้เหมาะสม

ฉันสงสัยว่าความแตกต่างและความสัมพันธ์ระหว่าง "วิธีการค้นหา" และ "วิธีการเพิ่มประสิทธิภาพ" คืออะไร

โดยเฉพาะอย่างยิ่งเมื่อแก้ปัญหาการเพิ่มประสิทธิภาพ? ฉันเน้นบริบทของการแก้ปัญหาการเพิ่มประสิทธิภาพเพราะฉันคิดว่าวิธีการค้นหาไม่เพียง แต่สำหรับการแก้ปัญหาการเพิ่มประสิทธิภาพ แต่ยังรวมถึงปัญหาที่ไม่ได้เพิ่มประสิทธิภาพด้วย?

ความสับสนของฉันมาจากข้อเท็จจริงต่อไปนี้:

1. มีบางวิธีการเพิ่มประสิทธิภาพในชื่อ "xxx ค้นหา" เช่นมี การค้นหาในท้องถิ่น , การค้นหาสุ่ม , .... อะไร "ค้นหา" หมายถึงการได้จริง? ฉันสงสัยว่ามีวิธีการเพิ่มประสิทธิภาพที่ไม่ใช่ "ค้นหา" หรือไม่
2. นอกจากนี้ในหนังสือเล่มนี้ความรู้เบื้องต้นเกี่ยวกับการค้นหาแบบสุ่มและการเพิ่มประสิทธิภาพโดย Spallฉันไม่เข้าใจความแตกต่างระหว่าง "การค้นหา" และ "การเพิ่มประสิทธิภาพ" ในชื่อเรื่องและเนื้อหาของมัน ทำไมต้องแยกความแตกต่างระหว่าง "ค้นหา" และ "การเพิ่มประสิทธิภาพ" หากพวกเขาหมายถึงเหมือนกัน? หรือ "การเพิ่มประสิทธิภาพ" หมายถึงงาน / ปัญหาการเพิ่มประสิทธิภาพสุ่มแทนที่จะเป็นวิธีการเพิ่มประสิทธิภาพซึ่งตรงข้ามกับ "การค้นหา" หมายถึงวิธีการแก้ปัญหาการเพิ่มประสิทธิภาพ / ปัญหา?
3. ยังไม่มีอาหารกลางวันฟรีในการค้นหาและการเพิ่มประสิทธิภาพที่แตกต่างการค้นหาและการเพิ่มประสิทธิภาพอีกครั้ง

ขอบคุณและขอแสดงความนับถือ!

search = พยายามที่จะหาจุดที่เป็นไปได้ที่เป็นไปตามข้อ จำกัด ทั้งหมด (และเพื่อเพิ่มประสิทธิภาพของจุดที่ดีกว่าที่พบจนถึง) โดยทั่วไปแล้วใช้ค่าฟังก์ชันเท่านั้น

การค้นหาในท้องถิ่น: การปรับปรุงจุดที่เป็นไปได้ (หรือระยะทางไปสู่การวัดความเป็นไปได้) โดยค้นหาในจุดที่อยู่ใกล้เคียง

การค้นหาแบบสุ่ม: การค้นหาโดยใช้เกณฑ์แบบ nondeterministic สำหรับการเลือกจุดทดลอง

สิ่งนี้ไม่ขึ้นอยู่กับว่าจะมีการกำหนดเกณฑ์การเพิ่มประสิทธิภาพหรือไม่ โดยเฉพาะอย่างยิ่งใน '' ไม่มีอาหารกลางวันฟรีในการค้นหาและการเพิ่มประสิทธิภาพ '' หมายถึงการค้นหาความเป็นไปได้ในขณะที่การเพิ่มประสิทธิภาพหมายถึงการค้นหาเพื่อเพิ่มประสิทธิภาพ

ในแง่ทั่วไปสำหรับปัญหาการปรับให้เหมาะสมการค้นหาและการเพิ่มประสิทธิภาพจะเทียบเท่า อย่างไรก็ตามพวกเขามีความหมายที่สร้างความแตกต่างในการใช้คำ

optimization method = วิธีการในการแก้ปัญหาการปรับให้เหมาะสมบ่อยครั้ง (แต่ไม่จำเป็น) โดยใช้ข้อมูลการไล่ระดับสี (หรือ subgradient หรือ Hessian)

ความสามารถในการใช้การไล่ระดับสีอย่างรุนแรงเพิ่มประสิทธิภาพของวิธีการเพิ่มประสิทธิภาพ หนึ่งใช้ในบริบทนี้ (เช่นกับการไล่ระดับสีที่รู้จักกัน) เพื่อค้นหาคำเฉพาะในการรวมกัน '' การค้นหาสาย '' ซึ่งหมายถึงการค้นหาจุดที่ดีขึ้นพร้อมทิศทางที่เลือก

ความแตกต่างในคำศัพท์ระหว่าง "การค้นหา" และ "การเพิ่มประสิทธิภาพ" นั้นมาจากข้อเท็จจริงที่ว่าการค้นหาหมายถึงกระบวนการค้นหา $x^\ast$ เพื่อที่จะได้รับ $g(x)$ เรามี $g(x^\ast)=0$คือเราค้นหารูท ในการเพิ่มประสิทธิภาพเราต้องการค้นหา$x^\ast$ ดังนั้น $f(x) \rightarrow \textrm{min!}$. อย่างน้อยถ้า$f$ ราบรื่นแล้วการค้นหาขั้นต่ำนี้โดยทั่วไปจะถูกแปลงเป็นปัญหาในการค้นหารูต $g(x)=\nabla f(x)$. กล่าวอีกนัยหนึ่งคำว่า "การค้นหา" มาจากปัญหาทั่วไปที่มากขึ้น แต่สำหรับปัญหาการปรับให้เหมาะสมซึ่งสิ่งต่าง ๆ ที่เกี่ยวข้องกับการปรับให้เหมาะสมมักจะถูกลดลงไปเป็นสิ่งที่จัดการกับการค้นหา