动态优化调整:真正的最优解,是一步一步问出来的
朋友在实验室干了件蠢事。我听完乐了,笑完又觉得——挺典型的。
他们上了一套自动化实验平台,一天能跑两百个样品。听着很猛。问题是,跑哪两百个,靠人拍脑袋定。组里资历最老的那位,凭三十年手感列了张配方表,机器照着跑。
三个月过去,表跑完了,最优的点落在表格边界上。
边界上是什么概念?真正的峰在表格外面。三个月,白烧。
这事儿让我琢磨了很久。我们做科研、做产线、做模型训练,默认那套流程其实是四个字——先定后干。方案一旦锁死,中间发生的一切就只是执行偏差,不是新信息。
静态最优,其实是个挺贵的幻觉
数学上这叫离线优化。目标函数、约束、可行域,全部提前写清楚,然后扔给求解器。条件稳定的时候,这套东西好使得很。炼油配方、桥梁截面、航班排班……几十年都这么干。
但现实里有个东西永远在动:数据本身是随着你的动作长出来的。
你做了实验,才知道这片区域长什么样。你调了参数,才知道响应曲线的拐点藏在哪。信息不是事先就躺在那里等你捡,它是被你的每一次尝试生产出来的。
于是问题变了。从“求极值”变成了“下一步该做什么”。
一字之差,方法论全部重写。
以前你是拿着地图找路。现在地图上八成是黑的,你手里只有一支手电筒。走两步,照一下,看看脚边是什么,再决定往哪拐。这就是动态优化调整的骨架——决策和执行搅在一起,没法分开。
贝叶斯优化,说白了就是别把宝押在一个点上
我最喜欢举的例子还是它。因为它把取舍摆得特别赤裸。
做法不复杂:先用一个代理模型(高斯过程、随机森林、或者现在流行的深度集成)拟合你已经跑过的点,估出每个位置“大概有多好”以及“有多不确定”。然后拿一个采集函数去打分,挑下一个采样点。
关键就在这个采集函数上。
EI、UCB、Thompson Sampling,名字花哨,内核都是同一个矛盾:是去已知的好地方再挖深一点,还是去黑灯瞎火的地方赌一把?
UCB里那个β参数,本身就是个动态调整的旋钮。前期开大,鼓励往未知区域跳;后期收小,往已知峰附近钻。这个节奏没人能一次调对,都是跑着跑着改的。
顺便吐个槽。很多人把动态优化理解成“定期重跑一遍优化”。这不对。重跑是周期性的,是闹钟;动态是嵌在流程里的,是心率。前者到点响一下,后者每一拍都在动。
自动化实验室机械臂移液高通量筛选平台
现在这块有个明显趋势——批量并行。以前一次问一个点,现在一次问十二个。q-EI、q-NEI这些方法就是干这个的。可并行一上,问题立刻复杂起来:十二个点之间不能互相打架,得让它们覆盖不同的不确定区域。再加上多目标、加约束,问题就不只是“选哪个”了,是“选哪一组”。
前沿那块叫EHVI,算起来很贵,工程上一般用近似版本。说实话,我在实际项目里见过的效果最好的方案,往往不是最前沿的那个,而是最稳的那个。
化工行业四十年前就在干这件事
模型预测控制,MPC。
滚动的时域。每隔一个采样周期,用当前的状态重新解一遍有限时域上的优化问题,然后——只执行第一步。剩下的解全部扔掉。下一拍,重来。
听着是不是特别耳熟?现在大模型圈子里说的“测试时自适应”,内核跟这个几乎是一个东西。
我有时候看论文会恍惚。卡尔曼滤波、自整定PID、极点配置……一堆控制论的老酒,换个瓶子重新上桌。当然,确实有新东西。
老MPC的死穴是模型必须准,模型飘了就崩。现在用神经网络当代理模型,或者干脆上无模型强化学习直接学策略,把“模型不准”这个坎绕开了不少。数据驱动的代理模型 + 滚动优化,是目前工业界落地最扎实的一条路。
模型预测控制滚动时域优化工业反应器流程示意图
临床试验这块,天花板是监管
临床试验这块,天花板是监管
适应性设计。中期分析。样本量再估计。听着很学术,本质就是动态优化调整。
为什么难?每多看一次数据,就多消耗一分α。看十次,假阳性概率直接飙上去。所以你得有alpha消耗函数,得有独立的数据监查委员会,得在揭盲之前把调整规则写死。
FDA那份适应性设计指南,核心就一句话:调整可以,但规则必须在看到结果之前定好。
事后改规则,那不叫动态调整,那叫数据钓鱼。
这条红线其实通用于所有场景。自由度可以留,但必须锁在事前。事中只能按预设的规则动,不能临场发挥。平台试验(platform trial)为什么这几年火?因为它把“加组、删组”这件事流程化了——什么时候加,加什么,触发条件是什么,全部写进主方案里。
我见过的几个坑
我见过的几个坑
第一个,目标漂移。跑到一半指标换了。早期追转化率,后期追纯度,权重还没重新标定,模型就开始往沟里带。
第二个,反馈延迟。你调了参数,效果三小时后才显现。但你的算法不知道,已经调了十次。系统在震荡,而且越调越凶。PID整定没做好就是这个下场。
第三个,过拟合调整周期。每次调整都盯着最近一小段数据看,噪声被当成信号,越调越窄,越窄越脆。
第四个最隐蔽——多重比较的隐性成本。每多做一次比较,就多花掉一点统计预算。可这笔账没人记,等到最后结论站不住脚,才回头找原因。
还有一个特别现实的:算力预算。贝叶斯优化的每一步都要重训代理模型,维度一高,光拟合就吃满了。所以工业界常用的招是——降维、加先验、或者干脆把搜索空间砍成几块,分开调。
没有银弹。真的没有。
所以,最优解到底在哪
所以,最优解到底在哪
我现在越来越觉得,动态优化调整这件事,核心不是算法多花哨。是你愿不愿意承认自己一开始不知道。
承认了,你才会去设计探索。承认了,你才会留出调整的余地。承认了,你才会在方案里写下“如果出现X,就改成Y”。
不承认的人,会花三个月跑完一张表,然后发现最好的点卡在边界上。
我那位朋友后来改了流程。现在平台每跑完一批,代理模型自动更新一遍,下一批的配方由采集函数给。他们组那个老教授一开始很不适应,觉得机器不懂化学。跑了两周,老教授主动要求把经验写成先验函数塞进去。
你看,人也需要动态调整。
写到这儿差不多了。要是你手上正好有个“方案定死了不好改”的项目,不妨想想——那个边界上的点,会不会就是你现在的处境。