3、搜索空间构建原则
好，咱们今天聊聊搜索空间构建的四个核心原则。说实话，我刚开始做策略搜索那会儿，根本不懂什么原则不原则的。上来就是一顿猛建，结果呢？搜索空间要么大得离谱，要么小得可怜，要么就是搜了半天全是无效解。
后来踩的坑多了，才慢慢总结出这四条铁律。你想想看，搜索空间就像你盖房子打的地基——地基歪了，上面盖什么都白搭。
3.1 完备性原则
什么叫完备性？说白了，就是你的搜索空间必须包含所有可能的优质解。一个都别漏。
我遇到过这样一个项目：团队在做推荐系统的策略调优，只考虑了用户点击率这一个维度。结果上线后，用户停留时间反而下降了。为什么？因为搜索空间里压根没包含「用户时长」这个目标。这就是不完备的典型后果。
完备性的核心要求：
- 覆盖所有决策变量——别漏掉任何一个可能影响结果的参数
- 覆盖所有目标维度——单目标优化往往带来局部最优
- 覆盖所有约束条件——漏掉约束，搜出来的解就是废的
嗯，这里要注意一点：完备不等于无限。很多人一听「完备」，就恨不得把所有参数都塞进去。千万别这么干。完备性说的是「该有的都有」，不是「能有的全有」。
我的经验：先列一个「候选参数清单」，然后逐个问自己——这个参数如果固定不变，会不会导致错过最优解？如果会，就保留；如果不会，就砍掉。
3.2 正交性原则
正交性，这个词听起来挺唬人的。其实意思很简单：每个维度应该独立变化，互不干扰。
举个例子你就明白了。假设你在调一个机器学习模型的超参数，把「学习率」和「迭代次数」放在一起。这两个参数正交吗？不，它们高度耦合。学习率小的时候需要更多迭代，学习率大的时候迭代次数可以少。你搜出来的结果，根本分不清是学习率的作用还是迭代次数的作用。
我曾经犯过这个错。那会儿在做广告出价策略优化，把「出价系数」和「预算分配比例」放在同一个搜索空间里。结果呢？搜了三天三夜，出来的结果完全没法解释。后来拆成两个正交的子空间，一天就搞定了。
避坑指南：我曾经把「温度参数」和「采样策略」放在一起搜索，结果发现温度调高时，采样策略的影响被淹没了。正交性被破坏，搜索效率直接腰斩。
怎么判断正交性？我教你一个土办法：改变一个参数，看其他参数的最优值会不会跟着变。如果会，说明它们不正交。这时候要么拆开，要么做参数变换。
3.3 可扩展性原则
做策略搜索，最怕什么？最怕你辛辛苦苦建好的搜索空间，过了一个月发现不够用了。加一个新参数？整个空间结构要重来。这就是没有考虑可扩展性。
我个人的习惯是：从一开始就把搜索空间设计成「可插拔」的。什么意思呢？就是每个参数模块独立，新增一个参数就像插一个U盘一样简单。
可扩展性的三个层次：
- 参数级扩展——新增一个参数不影响已有参数的结构
- 约束级扩展——新增约束条件不需要重写搜索逻辑
- 目标级扩展——新增优化目标可以无缝接入
你想想看，如果每次业务方提一个新需求，你都要重构搜索空间，那还怎么玩？我见过一个团队，因为搜索空间设计得太死板，每次加参数都要改底层代码，最后整个项目延期了两个月。
我的建议：用配置文件来定义搜索空间，而不是硬编码。这样新增参数只需要改配置文件，代码一行都不用动。
3.4 计算效率原则
最后一个原则，也是最容易被忽视的——计算效率。
搜索空间再完备、再正交、再可扩展，如果算不动，一切都是空谈。我见过太多人，把搜索空间建得无比庞大，结果一次搜索要跑一个月。等结果出来，业务早就变了。
计算效率的核心就一句话：在保证搜索质量的前提下，尽可能缩小搜索空间。
怎么缩小？我常用的方法有这几个：
- 粗粒度搜索——先用大步长找到大致区域，再细粒度搜索
- 对称性剪枝——如果参数A和参数B对称，只搜一半
- 先验知识注入——根据经验缩小参数的取值范围
注意：计算效率不能以牺牲完备性为代价。我曾经为了省时间，把搜索步长设得特别大，结果最优解刚好落在两个采样点之间，完美错过。嗯，这个教训挺深刻的。
说白了，这四个原则之间是有权衡的。完备性和计算效率往往冲突，正交性和可扩展性有时候也打架。你需要根据实际场景，找到那个平衡点。
知识体系总览
下面这张图，是我自己梳理的搜索空间构建原则的知识结构。你可以把它当作一个检查清单，每次建搜索空间之前，对照着过一遍。
这张图把四个原则以及它们各自的子项都列出来了。你可以看到，每个原则下面都有具体的落地方法。我建议你把它打印出来，贴在工位上。每次建搜索空间之前，对着过一遍，能帮你少踩很多坑。
好了，关于搜索空间构建的四个原则，咱们就聊到这儿。记住：完备性是底线，正交性是追求，可扩展性是远见，计算效率是现实。把这四个原则刻在脑子里，你的搜索空间就不会太差。