网格寻优算法基于两个核心假设：

（1）变量的连续性假设。假设变量是连续变化而不是突变的，通过逐步调整研究问题的参数，可以观察问题结果的渐变过程。

（2）变量的代表性假设。将一块网格区域中心点的表现来代表这块网格上的所有参数表现。通过计算少量的代表点，放弃明显较差的网格区域，可以减少计算量。

1.1 算法思想

网格寻优主要是通过选择参数空间中的代表点来代表一定区间的参数空间，从而避免了对参数空间的全局搜索，进而减少了计算成本，以在一定程度上寻优得到合适的参数。

1.2 算法流程

伪代码如下：

While判断收敛条件是否满足
不满足。
    切分寻优空间
    根据寻优空间选择代表性点计算目标值并排序
    淘汰一部分差点
    对排序靠前的点切分新的寻优空间
    纳入部分淘汰点与新的寻优空间中的代表点合并计算目标值并排序。
满足
    输出最优代表性点。

2.1 优点

（1）算法原理简单。

（2）与全局寻优相比，节省了计算量。

（3）许多实际问题满足连续性假设，所以算法适用范围较广。

2.2 缺点

（1）随着参数度的扩张，计算上有维度灾难的问题。

（2）容易陷入局部最优。

（3）对于一些比较粗糙的参数空间，该算法容易失效。

学习自《人工智能算法大全》