优化算法应用：从实验室论文到业务落地的那些坑
别拿论文里的基准测试当饭吃
现在不管是顶会论文还是开源项目，拿出的效果全是在标准测试集上跑出来的好看数字。很多新手一看，哟，准确率这么高，速度这么快，直接搬去用，十有八九要翻车。
就说我这个朋友的项目，他用的公共库存数据集，一共才几百个SKU，全是整理干净的平滑数据，没有异常订单，没有经销商临时改量，更没有大促过后的残留异常值。他自己的业务呢？一万两千多个SKU，光是快消品临期这一条约束，论文里提都没提。跑出来的补货计划，要么热门货补少了断货，要么滞销货补多了烂在仓库里。
电商多SKU库存优化算法测试集落地结果对比图
说实话，我见过至少十几个创业团队，栽在这个坑里。拿着论文里的好看结果拿融资，一上线就露馅。优化算法的最优解，永远是对应给定约束和给定数据的最优解。换了场景，换了数据，原来的最优解可能还不如人工拍脑袋出来的结果。
上个月刷顶会，看到一篇新论文吹自己的优化算法比传统粒子群快30%，精度高五个点。点进去一看，测试集全是学术界用了三十年的标准算例，连实际业务里最常见的动态约束都没加。这种结果，也就只能用来发论文，真拿出来用？全是水。
懂约束比找全局最优更重要
很多学理论的算法工程师，开口就是全局最优，闭口就是收敛速度。可落到实际应用里，我掏一句干货给你：找到满足所有硬约束的可行解，比找到不满足约束的全局最优重要一万倍。
你算出来的配送路线总距离比现在短10%，但要求司机一天开16小时，违反劳动法，这个解能用吗？不能，直接扔。你给工厂排出来的生产计划，总工时少了五个小时，但要求一台机器同时加工两个订单，这个解能用吗？也不能，废品。
之前接触过一个做汽车零部件工厂排程的团队，原来用模拟退火算法，天天出一堆不可行的解，调度员每天还要花两三个小时改。后来他们改了逻辑：先把所有硬约束拉出来，提前筛掉不可行域，再在剩下的可行域里找局部最优。就这么改了一步，出错率直接降了92%，调度员都给他们送奶茶。
工厂排程优化算法可行域约束划分示意图
不过话说回来，大部分业务根本不需要什么全局最优。你只要比原来人工做的好10%，能帮公司省几十万几百万，老板就偷着乐了，谁管你是不是找到了全局最优？
去年面试一个应届生，上来就说自己熟练掌握十几种前沿优化算法，各个基准测试的排名都靠前。我问他，要是你的优化问题，业务约束每天都变，你怎么处理？他说我每天重新调参跑一遍就行了啊。你看，这就是没落地过的通病。优化算法应用，约束才是灵魂。业务变，约束变，你只要留好约束接口，不用换核心算法，就能一直用。纠结什么全局最优，纯属想多了。
小算法比大模型更适合大部分落地场景
小算法比大模型更适合大部分落地场景
这两年大模型火了，什么都要往上凑，优化算法也不例外。我真是服了这帮为了凑技术热点瞎折腾的团队。放着好好的传统优化算法不用，非要换大模型重做，成本涨几十倍，效果还掉了，图什么啊？
之前看一个头部外卖平台的技术分享，他们做骑手实时路径优化，原来用的是改进Dijkstra加邻域搜索，请求延迟能稳定控制在100毫秒以内，每月算力成本才几十万。后来有人提出来要用大模型做端到端优化，拉了一个团队试了三个月，最低延迟也要八百多毫秒，高峰时段直接卡崩，配送准确率还掉了六个点，最后老老实实改回原来的方案。
为什么会这样？大部分优化问题，都是目标明确、约束清晰的结构化问题。传统优化算法解决这种问题，几十年积累下来的经验，不要太稳。成本低，速度快，效果还好，你非要用大模型，那不是提着大炮打蚊子，炮太重你扛不动，打还打不准吗？
当然，我不是说大模型完全没用。那种目标模糊、约束也模糊的优化问题，比如品牌的季度营销预算分配，既要拿转化，也要做品牌曝光，还要留预算应对突发的舆情事件，多个目标没法量化加权，这种时候，用大模型来做约束的量化梳理，再结合传统优化算法找解，效果确实比原来好。但大部分常规的优化场景，真没必要凑这个热闹。
前阵子我那个做库存的朋友改完算法，把原来全SKU全局搜索改成了先按动销分群再分层搜索，去掉了论文里花里胡哨没用的变异操作，加了临期库存和异常订单的硬约束，现在补货准确率稳定在86%以上，每个月能少亏十几万。
做优化算法应用，哪来那么多高大上的黑科技。能落地，能解决问题，能帮业务赚钱省钱，就是最好的算法。对吧？