一、核心思想与特性

局部搜索算法不再关注路径构建，而是直接优化最终状态，适用于状态空间庞大或连续的场景（如调度优化、自动程序设计）。其核心特性包括：

• 内存效率：仅需常数级内存，适用于嵌入式系统；
• 全局优化能力：通过策略设计突破局部最优，适用于组合优化问题。

二、多目标与约束优化

1. 多目标处理

• 权衡策略：通过权重分配或帕累托前沿分析平衡多个目标（如精度与计算成本）；
• 动态调整：在搜索过程中实时调整目标优先级，适应需求变化。

2. 约束优化

• 罚函数法：将约束违反程度转化为目标函数惩罚项；
• 可行域导向：通过启发式规则优先探索满足约束的状态空间。

三、动态环境与不确定性处理

1. 动作不确定性

• 应急规划：在动作结果不可预测时生成多分支策略（如机器人导航遇障碍）；
• 概率模型：基于马尔可夫决策过程（MDP）建模状态转移概率。

2. 部分可观察环境

• 信念状态更新：通过感知信息缩小可能状态范围（如自动驾驶感知模糊场景）；
• 联机搜索：交替执行动作与重新规划，适应实时环境变化。

四、联机搜索与实时交互

1. 联机搜索特点

• 动态决策：计算与动作执行交替进行，减少预计算资源消耗；
• 增量优化：通过局部调整而非全局重构提升响应速度（如实时路径重规划）。

2. 应用场景

• 机器人导航：在未知环境中边探索边构建地图；
• 交互式系统：根据用户反馈实时调整搜索结果（如智能客服）。

五、前沿研究方向

1. 神经架构搜索（NAS）

• 自动化设计：通过强化学习或进化算法搜索最优神经网络结构；
• 跨任务泛化：将优化得到的架构迁移至不同数据集或任务。

2. 混合搜索算法

• 策略融合：结合经典搜索的完备性与启发式搜索的效率（如A*与遗传算法混合）；
• 分层优化：先粗粒度全局规划，再局部精细化调整。

3. AI驱动搜索

• 大模型集成：利用语言模型理解用户意图，生成语义化搜索策略（如搜狗“边聊边搜”）；
• 成本优化：通过模型压缩和分布式计算降低AI搜索的算力需求。

六、总结与对比

维度	经典搜索（如BFS/A）*	超越经典搜索（如遗传/联机）
搜索目标	路径最优	状态最优、多目标平衡
环境适应性	静态、确定环境	动态、不确定、部分可观察环境
资源消耗	高内存（存储路径）	低内存（仅维护当前状态）
应用领域	游戏寻路、网络路由	自动驾驶、智能制造、AI模型优化

未来趋势：结合强化学习、知识图谱和大模型技术，实现更智能化的自适应搜索系统。

版权所有

版权归属：NateHHX

许可证：署名 4.0 国际 (CC-BY-4.0)