随机搜索
Parent: ai_keywords
随机搜索
核心定义
随机搜索（Random Search）是一种基于随机采样的无导数全局优化算法。它在参数空间内独立、均匀地抽取样本点，评估目标函数并保留最优解。与网格搜索相比，随机搜索在高维空间中能以更少的采样次数覆盖更广的可行域，且在稀疏有效区域的问题中往往取得更优解。
关键技术点
- 随机采样策略：采用均匀分布或特定先验分布（如对数均匀分布）生成候选参数组合，无需预定义网格密度。
- 维度鲁棒性：在参数维度增加时，随机搜索的探索效率远高于网格搜索（网格搜索所需采样点数随维度指数增长，而随机搜索仅线性依赖采样预算）。
- 探索-利用平衡：纯随机搜索属于盲目探索，缺乏对已评估区域的利用。改进版本如随机加噪声的局部搜索可引入利用成分。
- 收敛性分析：当采样次数充分大时，随机搜索概率收敛于全局最优，但实际收敛速度取决于目标函数的光滑性与有效参数维度。
- 并行化优势：各采样点独立，天然适合分布式计算，在AI模型超参数调优中常与贝叶斯优化结合使用。
医学/神经科学应用场景（首都医科大学神经病学研究背景）
在脑卒中后运动功能康复的经颅磁刺激（TMS）参数优化中，随机搜索被用于快速找出最优治疗刺激参数（如脉冲频率、强度、线圈-头皮距离）。传统网格搜索需尝试数百种组合，而基于随机搜索的算法仅需评估30–50组参数，即可定位刺激诱发电位的最佳响应区域。研究人员（如首都医科大学附属北京天坛医院神经病学团队）将此方法用于癫痫灶定位的深度学习模型超参数调优：模型需同时优化卷积核尺寸、层数、学习率及时间窗长度，随机搜索在有限计算资源下以20%的搜索代价获得与全网格搜索相当的分类准确率（>92%），显著加速了从EEG信号中识别致痫区间的临床应用流程。
