当 AI 要"调参数"却连梯度都拿不到时：2013 年的这篇综述，把全球几十种"仿生算法"摆成一张地图
- 关联论文：1307.4186
你有没有遇到过这种工程师——
接到一个新问题：仿真器输入是 30 个连续参数、跑一次要 90 秒、梯度根本求不出来； 他随手掏出一段代码说"我用 PSO 跑 30 次，取中位数"，半天就交了一份不错的解； 你问他："为什么是 PSO，不是遗传算法？"他愣了一下——他自己也说不清，只是"大家都这么用"。
这就是 2013 年这篇 Nature-Inspired 元启发式算法综述（被引 676 次，OpenAlex 390 次）想填的坑：
在那之前的十几年里，优化社区每年都冒出来几十种"新算法"——粒子群、蚁群、人工蜂群、萤火虫、布谷鸟、蝙蝠、引力搜索、水循环…… 名字一个比一个有想象力，但到底谁跟谁是一族、什么时候该用谁，没人给出一张能查的索引。
这张索引的价值今天仍然有效：哪怕你用的是 2026 年的 Optuna、BoTorch、Nevergrad，它们的算法底层都是这张地图里的某种变体。
这篇综述到底干了什么（不讲术语版）
作者做了一件听起来朴素、做起来很了不起的事：把 2013 年之前所有"自然启发的元启发式算法"按灵感来源切成四族，给出一张清单 + 分类法。
- 🐦 群智能（Swarm Intelligence）：受鸟群、鱼群、蜂群、蚁群启发的算法。典型代表：PSO（粒子群，1995）、ACO（蚁群，1992）、ABC（人工蜂群，2005）、Firefly（萤火虫，2008）、Cuckoo Search（布谷鸟，2009）、Bat Algorithm（蝙蝠，2010）。
- 🧬 生物启发（Bio-inspired）：受进化、遗传、免疫、内分泌启发的算法。典型代表：GA（遗传算法，1975）、DE（差分进化，1997）、EP（进化规划，1966）、ES（进化策略，1973）、BBO（生物地理学优化，2008）。
- ⚛️ 物理启发（Physics-based）：用引力、电磁、模拟退火、瀑布等物理过程作为搜索动力。代表：SA（模拟退火，1983）、GSA（引力搜索，2009）、Big-Bang Big-Crunch（2006）、Water Cycle Algorithm（2012）。
- 🧪 化学启发（Chemistry-based）：用化学反应动力学作为搜索机制。代表：CRA（化学反应优化，2010）。
整篇综述就是这四张清单 + 每族一段统一伪代码骨架——读起来像字典，但它给出的"meta-template"才是真正的工程遗产：
初始化一群候选解 P
评估每个候选解的 fitness
while 没收敛：
对 P 中的每个 x：
x_new = update(x, P, fitness) # ← 不同族在这里差异最大
如果 x_new 更好，就接受它
返回最好的 x
所有"自然启发算法"在结构上都长一样，差异只在那个 update() 用什么公式。这就是为什么一个 Python 老手可以半小时读完综述就上手写元启发算法——而一个新手读十篇原论文也未必抓到这条主线。
为什么这件事对（不搞 AI 的）你也重要
你手机里几乎每一个"AI 调参"功能，背后都站在这篇 2013 年的地图上：
- 手机夜景拍照的参数搜索：夜景模式的曝光、白平衡、降噪强度是个几十维、无梯度的黑盒优化问题——手机厂商早就在用 PSO / DE 跑模拟仿真来挑参数组合，比"工程师拍脑袋"靠谱得多。
- 物流公司的车辆路径规划：调度系统每天要在百万级组合里挑最好的派单方案，蚁群算法（ACO）和它的变体至今仍是工业 baseline 之一。
- AI 训练调超参：你跑 PyTorch 模型时用的 Optuna 默认采样器、Ray Tune 的默认搜索算法，底层几乎都是这张地图里的 DE / CMA-ES / TPE 变体。
- 芯片设计的布局布线：EDA 工具从 1990 年代就在用模拟退火（SA）和它的进化版做物理布局——ASML / 台积电的 P&R 工具至今仍跑 SA 变体。
- 新药分子的对接打分：把分子"塞进"蛋白质口袋，搜索最优构象——遗传算法（GA）+ 局部搜索至今是 Schrödinger / AutoDock 的默认路径。
如果你是不写代码的产品/运营：这篇综述给的是"为什么隔壁算法工程师三天就能给一个看起来挺像样的解"的认知地图——知道地图在哪儿，你就知道什么时候该说"这个任务评估太贵，必须上元启发"，什么时候该说"5 个参数用网格搜索就够，别浪费工程时间"。
真实类比：为什么"先有一张地图"比"直接挑算法"更重要？
想象你要给公司选 SaaS 工具，面前有 300 个候选 CRM：
- 方案 A（无地图直接选）：让销售各自看 YouTube 评测、自己下载试——结果三家说三家好，没人能拍板。
- 方案 B（按"目标客户画像"先分族）：先按"中小企业 vs 大企业 vs 行业垂直"分三族，每族挑 2-3 个标杆——一个下午就能出推荐。
这篇综述做的就是方案 B——它不告诉你"哪个 CRM 最好"，但它告诉你"按业务规模，先看哪一族"。同样地，这篇综述不背书"哪个算法最优"，但它告诉你"按问题性质，先看哪一族"。
更妙的是：作者在四族里反复提的 DE（差分进化）和 PSO（粒子群）——这两个算法到 2026 年仍然是工业界最稳的默认选择。换句话说，这篇综述的"分类法"不只是教学工具，更是十几年后回头看仍然站得住脚的工程索引。
一句话给老板
"2013 年的这篇综述把全球几十种'仿生优化算法'按灵感源切成四族（群智/生物/物理/化学），给出一张被引 676 次的算法地图。它的工程遗产不是某个具体算法，而是'种群 + 邻域算子 + 接受准则'这个三件套模板——Optuna、Ray Tune、芯片布局、新药对接背后的元启发搜索，都是这张地图上的变体。核心工程结论：小问题别上元启发（用 BFGS/SciPy），黑盒昂贵评估才是元启发的真正护城河；化学族算法（CRA/ASBO）2010 年后已实际死亡，选型时可跳过。"
⚠️ 工程硬约束：5 个必须看清的边界
- "哪个算法最优"——本综述不背书：它不报告任何 benchmark 数据。要回答"PSO vs GA vs DE 谁更强"必须回去看 CEC 2013-2015 竞赛系列。本综述的定位是地图，不是排行榜。
- 2013 年截止，未覆盖现代替代：2020 年后，贝叶斯优化（Optuna 默认）+ 神经架构搜索（DARTS）+ LLM-as-Optimizer（Yang 2023、FunSearch 2023）已开始替代部分元启发场景。本综述对这些趋势完全没涉及。
- Wolpert 1996 NFL（No Free Lunch）没讨论：为什么"没有万能算法"——这个优化领域最基本的定理，综述没给形式化处理。读完后仍可能误以为"找到最优算法"是合理目标。
- 分类边界模糊：萤火虫、布谷鸟、蝙蝠这三个算法既被划为"群智"又被划为"生物"，论文自己也承认分类并不互斥——别把这四族当成严格集合。
- 被引数字需复核：676（S2）/ 390（OpenAlex）/ 21（影响力被引）来自 paper_card 元数据（OpenAlex 更新 2026-09-06），具体口径以原文 + Semantic Scholar API 为准；本综述不报告新实验数据，它的"被引价值"在于"覆盖广度"而非"实验精度"。
适合谁读 / 不适合谁读
✅ 适合： - 优化方向研究生想 5 分钟建立"算法族地图"——比读 10 篇原论文更快 - 算法选型工程师想确认"我用的 PSO / GA 是不是已经被某新算法碾压"——本综述的清单能快速定位候选 - 想做算法综述 / 教学视频的人——分类骨架可直接复用 - 想知道"为什么隔壁工程师三天就能交一份像样的解"的产品 / 运营——这是认知地图
❌ 不适合： - 追求 SOTA 性能——必须读 CEC 竞赛系列 + 最新元启发 benchmark - 离散 / 组合优化深度研究者——本综述对图着色、TSP、调度等问题的特化算法覆盖很薄 - 只想刷 LeetCode 风格的"标准解"——元启发本来就没有"标准解"
三个标题变体
- 《当 AI 要"调参数"却连梯度都拿不到时：2013 年的这篇综述，把全球几十种"仿生算法"摆成一张地图》
- 《PSO、GA、DE、SA、ACO……你听过的优化算法到底谁跟谁是一家？——一篇被引 676 次的综述说清楚》
- 《优化算法也有"家谱"：从蚂蚁到大爆炸，一篇 8 页综述把 2013 年前的所有元启发算法收编进四族》
📱 小红书风格卡片文案
📌 你听过的所有"AI 优化算法"，其实都来自一张 2013 年的地图
你有没有这种工程师朋友——
接到一个新问题：30 个连续参数、跑一次要 90 秒、梯度根本求不出来； 他随手掏出代码说"我用 PSO 跑 30 次"； 你问"为什么是 PSO？"——他自己也说不清。
这不是个例。这是 2013 年之前整个优化社区的痛点：
每年冒出来几十种"新算法"——粒子群、蚁群、人工蜂群、萤火虫、布谷鸟、蝙蝠…… 名字一个比一个有想象力，但谁跟谁是一家、什么时候该用谁，没人给过索引。
2013 年的这篇综述（被引 676 次）做了一件事：
把全球所有"自然启发算法"按灵感源切成四族，给出一张完整地图。
🔸 四族清单：
🐦 群智能（Swarm）：PSO、ACO、ABC、Firefly、Cuckoo Search、Bat Algorithm 🧬 生物启发（Bio）：GA、DE、EP、ES、BBO、AIS ⚛️ 物理启发（Physics）：SA、GSA、Big-Bang Big-Crunch、Water Cycle 🧪 化学启发（Chemistry）：CRA、ASBO
🔸 它们真正统一的是什么？
不是算法名字，而是"种群 + 邻域算子 + 接受准则"三件套——
初始化一群候选解 P
评估每个候选解的 fitness
while 没收敛：
对每个 x：
x_new = update(x, P, fitness) ← 各族差异最大的地方
如果更好就接受
返回最好的 x
🔸 为什么对（不搞 AI 的）你也重要？
你手机里几乎每一个"AI 调参"功能，背后都站在这张地图上：
📱 手机夜景拍照 → PSO / DE 跑仿真挑参数 🚚 物流车辆路径 → 蚁群算法（ACO）变体 🧠 AI 训练调超参 → Optuna 默认采样器就是 DE / CMA-ES 变体 🔬 新药分子对接 → GA + 局部搜索（Schrödinger 默认） 💾 芯片布局布线 → SA（模拟退火）变体，ASML / 台积电至今在用
🔸 核心结论：
- 小问题别上元启发（用 BFGS / SciPy minimize）
- 黑盒昂贵评估才是元启发的护城河（仿真器、硬件调优）
- 化学族算法已实际死亡（CRA / ASBO 自 2010 年后几乎无后续）
⚠️ 2026 年回看： - ⚠️ 综述不报告 benchmark 数据，不能回答"PSO vs GA 谁更强"——要去 CEC 竞赛系列 - ⚠️ 2020 年后贝叶斯优化 / NAS / LLM-as-Optimizer 已在替代部分场景 - ⚠️ Wolpert 1996 NFL（没有万能算法）——综述没讨论 - ⚠️ 分类边界模糊（萤火虫既被划为群智又被划为生物） - ⚠️ 676（S2）/ 390（OpenAlex）来自 paper_card 元数据，需复核
💡 何时该读： ✅ 5 分钟建立"算法族"认知地图的研究生 ✅ 算法选型工程师——快速定位候选 ✅ 想知道"为什么工程师三天能交一份像样的解"的产品/运营 ❌ 想刷 SOTA 排行榜的——本综述不背书 ❌ 做离散/组合优化的——本综述覆盖薄
📎 arXiv 1307.4186 · 被引 676 次（Semantic Scholar 2026） 📅 2013 年 · 8 页综述 · 优化领域的"算法家谱"
💬 评论区聊聊：你工作中用过哪些"调参 AI"？最想让 AI 帮你优化什么参数？