4、搜索空间表示方法：向量空间表示、图结构表示、树结构表示、概率图模型表示
搜索空间怎么表示，这是个基础问题。说白了，就是你要把「问题」翻译成「计算机能理解的结构」。我做了这么多年策略优化，见过太多人一上来就调算法，结果连搜索空间都没定义清楚——那基本是白费功夫。
今天咱们聊聊四种主流表示方法。每种都有它的脾气，选对了事半功倍，选错了...嗯，我踩过坑，后面会讲。
4.1 向量空间表示
这是最直观的一种。把每个决策变量当成一个维度，所有可能的取值组合构成一个高维空间。
核心思想：每个解对应一个向量，搜索就是在这个向量空间里找最优的那个点。
举个例子。假设你要优化一个推荐系统的三个参数：学习率 α、正则化系数 λ、批次大小 b。那搜索空间就是三维向量空间：
解 = [α, λ, b]
α ∈ [0.001, 0.1]
λ ∈ [1e-6, 1e-3]
b ∈ [32, 128, 512]我个人习惯用向量空间表示连续参数问题。比如超参数调优、资源分配、路径规划中的坐标点。它的好处是数学性质好，梯度下降、遗传算法都能直接用。
避坑指南：我曾经把一个离散问题硬套成向量空间，结果搜索效率极低。后来发现，离散变量用向量表示会引入大量无效区域——你想想看，两个离散值之间的「中间值」根本不存在，但算法还是会去探索。
向量空间表示适合：连续变量、数值优化、可微目标函数。不适合：离散组合、结构可变的问题。
4.2 图结构表示
图结构表示，说白了就是用节点和边来描述搜索空间。节点代表状态，边代表状态之间的转移。
我记得有一次做物流路径优化，每个仓库是节点，路线是边，搜索空间就是一张巨大的图。这时候用向量表示就傻了——你没法用连续向量描述「从A到B再到C」这种拓扑关系。
节点：城市 A, B, C, D
边：A→B (距离10), A→C (距离15), B→D (距离12), C→D (距离8)
搜索目标：找到从A到D的最短路径图结构表示的核心优势是能表达关系。路径规划、网络路由、社交网络分析，这些天然就是图结构。搜索算法比如A*、Dijkstra、蚁群算法，都是基于图结构设计的。
注意：图结构表示容易遇到「状态爆炸」问题。节点一多，边数可能呈指数增长。我曾经处理过一个1000节点的图，全连接的话边数接近50万——搜索起来那叫一个酸爽。
图结构表示适合：路径问题、网络问题、关系型问题。不适合：高维连续优化、参数调优。
4.3 树结构表示
树结构是图结构的一种特例——没有环。它天然适合表示层次化决策过程。
你想想看，下棋的时候，每一步都有多个选择，每个选择又引出更多选择。这就是一棵决策树。搜索空间就是这棵树的所有叶子节点。
根节点：初始状态
├── 动作A
│ ├── 状态A1
│ │ ├── 动作A1a → 叶子
│ │ └── 动作A1b → 叶子
│ └── 状态A2
│ └── 动作A2a → 叶子
└── 动作B
└── 状态B1
└── 动作B1a → 叶子树结构表示的好处是搜索过程清晰，可以用深度优先、广度优先、蒙特卡洛树搜索等。我在做游戏AI时，就用树结构表示博弈树，配合剪枝策略，效果不错。
个人经验：树结构表示容易忽略「重复状态」。比如在迷宫搜索中，同一个格子可能从不同路径到达，但树结构会把它当成不同节点。这时候用图结构更合适。我曾经因为这个原因，把树结构改成图结构，搜索效率提升了3倍。
树结构表示适合：决策问题、博弈问题、层次化搜索。不适合：有环问题、状态重复问题。
4.4 概率图模型表示
这个稍微复杂点。概率图模型把搜索空间表示成一个概率分布，节点是随机变量，边是变量之间的依赖关系。
说白了，你不是在搜索「确定的最优解」，而是在搜索「最可能的解」。这在不确定性环境下特别有用。
变量：天气(W)、交通(T)、迟到(L)
依赖关系：
W → T (天气影响交通)
W → L (天气影响迟到)
T → L (交通影响迟到)
联合概率：P(W, T, L) = P(W) * P(T|W) * P(L|W,T)我记得在做一个供应链优化项目时，需求、库存、运输时间都有不确定性。用概率图模型表示搜索空间，可以找到「在概率意义上最优」的策略，而不是「确定最优」的策略。
核心优势：概率图模型能处理不确定性、缺失数据、多模态分布。搜索算法比如置信传播、变分推断、MCMC采样，都是基于概率图模型设计的。
概率图模型表示适合：不确定性推理、概率规划、贝叶斯优化。不适合：确定性优化、实时性要求高的场景。
4.5 四种表示方法的对比
| 表示方法 | 核心思想 | 适合场景 | 不适合场景 |
|---|---|---|---|
| 向量空间 | 连续/离散变量构成向量 | 超参数调优、数值优化 | 离散组合、结构可变问题 |
| 图结构 | 节点+边表示状态和转移 | 路径规划、网络路由 | 高维连续优化 |
| 树结构 | 层次化决策树 | 博弈、决策问题 | 有环、状态重复问题 |
| 概率图模型 | 概率分布+依赖关系 | 不确定性推理、贝叶斯优化 | 确定性优化、实时场景 |
4.6 如何选择？
没有银弹。我一般按这个思路选：
- 先看问题性质：连续还是离散？确定还是不确定？
- 再看搜索算法：你打算用梯度下降？那向量空间。用A*？那图结构。
- 最后看规模：状态空间太大？考虑概率图模型做近似。
我曾经犯过的错：在一个组合优化问题上，我一开始选了向量空间表示，结果搜索空间全是无效解。后来改成树结构表示，配合分支定界，问题迎刃而解。所以，选表示方法之前，先花时间理解问题的结构——这个时间省不得。
4.7 本章知识体系
下面这张图总结了四种表示方法的核心逻辑和适用场景：
嗯，四种表示方法讲完了。每种都有它的用武之地，关键是要理解问题的本质。我建议你遇到新问题时，先画个草图，看看它天然适合哪种结构——这个习惯帮我省了不少时间。