高维（多变量）优化问题的技术与瓶颈

现实世界中的优化问题往往具有较高的复杂度和维数，称为LSGO问题，即Large-Scale Global Optimization。

此问题在各个领域的研究工作中都引起了极大的兴趣。许多科学和工程应用程序被表述为LSGO问题，如设计大型电子系统，大量资源的调度问题，大规模交通中的车辆，路由问题网络，生物信息学中的基因识别，逆问题，化学动力学等。在过去的十年里，大量的元启发式为了显著提高处理算法的性能，开发了算法或改进算法LSGO问题。

下表是常见的处理LSGO问题的算法与技术：

下面列出了LSGO问题的挑战：

• (1)搜索空间随着决策变量的数量呈指数增长;
• (2)元启发式算法通常的需要的计算代价太大（维度多，时间长）;
• (3)基于分治思想的CC方法需要研究变量的交互性（关联性）;
• (4)高维特征的冗余性与不相关性较大（irrelevant and redundant）会降低算法的效率和性能。

以上问题导致了大多数解决大规模问题的算法在超过1000D的数据上效果很差。

参考文献：Mahdavi S, Shiri M E, Rahnamayan S. Metaheuristics in large-scale global continues optimization: A survey[J]. Information Sciences, 2015, 295: 407-428.